隐马尔科夫模型（Hidden Markov Model,HMM）
HMM是建模序列数据的图模型
1、第一个状态节点对应一个初始状态概率分布
2、状态转移矩阵A,
3、发射矩阵概率B
4、对特定的（x,y）的联合概率可以表示为
- α递归计算------前向算法
- β****递归计算------后向算法
贝叶斯网络（有向概率图模型）
x与y独立：
x,y在条件z下独立（条件独立）
- 给定一个节点的父节点，该****节点一定和其曾祖条件独立
判断条件独立：已知中间节点y，球不能从x到达z
规则：
已知节点 ：反弹来自父节点的球p3，截止子节点来的球
未知节点 ：总能使其通过，还可使其反弹
贝叶斯网络参数：
二值变量：二项分布p,1-p 只有1个参数
条件分布 A->B:有2个参数
A,B->C :有4个参数
viterbi解码例题
1、HMM模型：
初始概率Π 1*N
盒子间的转移矩阵A N*N
发射矩阵B（给定盒子，选取每种水果的概率）N*M
2、
|-------------------------------------|-----|-----|-----|-----|
| (所给x的状态) | t=1 | t=2 | ... | t=n |
| | | | | |
| | | | | |
| | | | | |