隐马尔可夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。
隐藏的马尔可夫链随机生成的状态的序列，称为状态序列（state sequence);每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列（observation sequence)。
序列的每一个位置又可以看作是一个时刻。
下面我们引入一些符号来表示这些定义：
设Q是所有可能的状态的集合，V是所有可能的观测的集合。
其中，N是可能的状态数，M是可能的观测数。
状态q是不可见的，观测v是可见的。
应用到词性标注中，v代表词语，是可以观察到的。q代表我们要预测的词性（一个词可能对应多个词性）是隐含状态。
应用到分词中，v代表词语，是可以观察的。q代表我们的标签（B,E这些标签，代表一个词语的开始，或者中间等等）
应用到命名实体识别中，v代表词语，是可以观察的。q代表我们的标签（标签代表着地点词，时间词这些）
上面提到的方法，有兴趣的同学可以查阅相应资料。
I是长度为T的状态序列，O是对应的观测序列。
我们可以看做是给定了一个词（O）+词性（I）的训练集。或者一个词(O)+分词标签（I）的训练集....有了训练数据，那么再加上训练算法则很多问题也就可以解决了，问题后面慢慢道来~
我们继续定义A为状态转移概率矩阵：
其中，
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。
B是观测概率矩阵:
其中，
是在时刻t处于状态qj的条件下生成观测vk的概率（也就是所谓的“发射概率”）。
所以我们在其它资料中，常见到的生成概率与发射概率其实是一个概念。
π是初始状态概率向量：
其中，
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，隐马尔可夫模型可以用三元符号表示，即
\lambda =(A,B,\Pi )称为隐马尔可夫模型的三要素。
如果加上一个具体的状态集合Q和观测序列V，构成了HMM的五元组，这也是隐马尔科夫模型的所有组成部分。
下面介绍一下隐马尔可夫链的三个基本问题：
1、已知模型求观测序列出现的概率
2、已知观测序列，求模型的参数
3、已知观测序列求可能的状态序列
原文地址：http://blog.51cto.com/yixianwei/2107144
