今天看了一下Viterbri算法，该算法用于输出隐式马尔科夫链（HMM）中的最具可能性的隐式状态转移序列。
根据wiki百科的资料，其算法流程可看作是
可直接将其看作是一个二维DP问题，一维是隐式的状态空间，另一维是时间。
我们最终要计算，对于给定的观察序列，计算最大可能性的隐式状态序列。而递归的形式为max[S][T]=max[S'][T-1]*A(S,S')*B(S',O(T))
理解该解法的关键在于：为了考虑T时间哪个状态的概率最大，只需要知道T-1时间到达每个状态的最大概率即可；当然，我不是说T-1时间最大概率的状态最大，T时间该状态的概率就一定最大，因为还要考虑状态转移矩阵和输出分布矩阵。
另外，我觉得这一方法一个比较奇怪的地方在于，在任一时间，到达每一状态的概率之和不为1，因为此处每一次迭代在max[S][T]中记录的概率是路径的概率（①此时处于S状态②且符合观察地点序列的概率最大的），而不是到达这一地点的概率；并且因为Markov的性质，之后的转移情况只和当前时间的状态有关，所以为了继续保持这一性质（①此时处于S状态②且符合观察地点序列的概率最大的），只需考虑上一时间的各状态的最大概率的路径即可。