是在时刻t处于状态qi的条件下在时刻t+1转移到状态qj的概率。 这实际在表述一个一阶的HMM,所作的假设是每个状态只跟前一个状态有关。
⑤:B是观测概率矩阵:
?
其中:
?...最后:
隐马尔可夫模型由初始状态概率向量π、状态转移概率矩阵A和观测概率矩阵B决定,π和A决定状态序列,B决定观测序列。因此,隐马尔可夫模型λ可以用三元符号表示,即
?...状态转移概率矩阵A与初始状态概率向量π确定了隐藏的马尔可夫链,生成不可观测的状态序列。观测概率矩阵B确定了如何从状态成观测,与状态序列综合确定了如何产生观测序列....通常情况下,如果两个状态之前的转移概率是0,就不画出他的路径
HMM依照其产生的观测值,一般可以分为离散HMM和连续HMM,我们在自然语言处理中一般使用的都是离散HMM,因为连续HMM产生输出的是实数或者实数组成的向量...X,而我们自然语言处理中的绝大多数都是对离散型进行处理,连续性仅仅在语音识别检索中使用,并且计算基本相同,我们将着重在离散型的HMM上处理.