隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型
1.马尔科夫模型
一阶马尔科夫模型：模型的当前状态仅仅依赖前一个状态
要素：初始状态、状态、状态转移概率
这个假设极大的简化了系统，但是也使得系统的一些信息发生丢失。
例如，有状态[sun, cloud, rain]三种状态
状态转移概率如下：
初始状态：
即可计算后几天的天气概率：
2.隐马尔科夫模型
其中 为隐藏状态，
为观测状态
基本前提；
1.当前状态只和前一状态有关
2.某个观测只和生成他的状态有关
组成（三个必备）：
1.初始概率（π）
2.隐藏状态转移概率矩阵（A）
3.生成观测状态概率矩阵（B）
HMM = （π， A， B）
假设我们处于一个地下室中，无法观测当天的天气状态，但是我们可以通过一些设备获得当天的气温、湿度、风向等天气指标。那么无法观测到的天气即为隐藏状态，可以观测到的天气指标即为观测状态。
HMM假设状态只和前一状态有关，即今天的天气只与前一天的天气有关。某个观测只和生成他的状态有关，即今天的天气指标只与今天的天气有关。
初始概率即第一天天气的概率矩阵。隐藏状态转移概率矩阵即为不同天气之间转换的概率。生成观测概率矩阵即为每个天气生成相应的天气指标的概率。
可以看见，对于今天天气不止受限于前一天的天气，今天的天气指标也不仅仅受今天天气的影响，故HMM模型这个假设极大的简化了系统，但是也使得系统的一些信息发生丢失。
要解决的问题：
1.给定模型 以观测序列
计算出现的概率
2.给定观测序列，求解参数
使得
最大
3.已知模型和观测序列
求状态序列，使得
最大