为一阶 Markov过程 0。0 00 1000 2000 HMM的模型结构可以多种多样,下面先以语音识别中常用“左-右”模型为例介绍 每一个HMM都是由若干个隐状态构成的,隐状态之间可以进行转移,所以HMM是 个状态转移模型。这里表示的三个隐状态的HMM,每一个状态在下一时刻可以转移到下 个状态,也可以转移到自身状态。 隐状态是不可见的,我们所能够看见的是观察序列,每一个隐状态可以输出任何观察值, 只不过输出每个观察值得概率不同。例如在时刻t,模型处于第i个状态,这时第i个状态输 出O,的概率可以表示为:b(O,)。同时第i个状态在t+1时刻有可能转移到多个状态,转40 为一阶 Markov 过程。 HMM 的模型结构可以多种多样，下面先以语音识别中常用“左-右”模型为例介绍一 下。 1 2 3 每一个 HMM 都是由若干个隐状态构成的，隐状态之间可以进行转移，所以 HMM 是一 个状态转移模型。这里表示的三个隐状态的 HMM，每一个状态在下一时刻可以转移到下一 个状态，也可以转移到自身状态。 隐状态是不可见的，我们所能够看见的是观察序列，每一个隐状态可以输出任何观察值， 只不过输出每个观察值得概率不同。例如在时刻 t ，模型处于第 i 个状态，这时第 i 个状态输 出 Ot 的概率可以表示为： bi t (O ) 。同时第 i 个状态在 t +1 时刻有可能转移到多个状态，转