理工酷

HMM不是算法，而是模型。 理解任何概率模型的一种好方法是在脑海中不断前进，以了解如何从假定的参数获取数据。

首先，假设您有一个硬币，一个飞镖盘和一套飞镖。 这个想法是，每次掷硬币的结果都将成为您进行飞镖活动的开关。 您反复投掷硬币：每当您正面朝上时，就朝靶心向靶子投掷飞镖；每当您背面朝上时，就朝着双20投掷。

不难想象，飞镖将在抛掷很多硬币（和掷飞镖）后看起来如何。 但以防万一，您可能会发现以下图表很有用。

通过以这种方式投掷飞镖（假设您的飞镖投掷始终存在高斯误差），您就已经从混合模型生成数据。

HMM是混合模型的动态同级。 它们是动态的，因为在飞镖上要瞄准的点的选择不仅取决于抛硬币的当前结果，还取决于先前抛硬币的结果。

让我们扩展飞镖计划以表示HMM生成的数据。 您用两个具有不同偏差的硬币替换了先前拥有的硬币（例如，一个硬币仅在1/5的时间内显示正面，而另一个硬币可能在2/3的时间内显示正面），分别标记为1和2。

第一步，拿起一个硬币（不要紧），然后扔掉。 按照与以前相同的规则投掷飞镖（对靶心或对双20）。 现在，新规则是，根据前一次掷硬币的结果选择下一个掷硬币。 如果先前的结果是正面，则接下来使用硬币1。 如果是尾巴，请使用硬币2。

在某些情况下，您会看到顺序模式出现在下面所示的飞镖板上。 （此模式的条件是两个硬币都高度偏向：硬币1朝向正面，硬币2朝向尾部）。 在此扩展示例中，我们执行的操作是将过渡矩阵引入混合模型（由硬币的数量和偏差捕获）并绘制一阶顺序随机变量。

HMM概念非常灵活且易于扩展。 想象一下，由于投掷硬币，您选择了标记偏斜的骰子而不是投掷飞镖。 这就像用多项分布的观测值代替高斯分布的观测值。 想象一下，您用十个十面骰子代替了两个硬币，作为开关。 这就像增加HMM中的组件数量。 或想像一下，不是仅根据前一次掷骰的结果来选择下一个硬币，而是将它基于前两个结果（N.B.，现在将需要四个硬币。欢迎来到三维的诅咒）。

最后，想象一下，您不是自己执行这种奇怪的方案，而是走进一个其他人正在跟踪它的房间（并隐藏了抛硬币的结果）。 您仅凭飞镖在飞镖板上的顺序就可以说硬币吗？ 这就是参数推断的问题。 有多种方法可以执行参数推断，在此我将不对其进行描述（但首先请查看“期望最大化”和“正向后退算法”）。

维特比算法对参数推断回答了一个不同的问题。 它问道：“考虑到飞镖的顺序排列和硬币参数（已知或推断），硬币结果最可能出现的顺序是什么？”。 这是与“这种特殊的飞镖最有可能产生硬币的结果是什么？”不同的问题。