简介：在马尔可夫模型中，每个状态代表了一个可观察的事件，所以，马尔可夫模型有时又称作可视马尔可夫模型（visible Markov model，VMM），这在某种程度上限制了模型的适应性。在隐马尔可夫模型（HMM）中，我们不知道模型具体的状态序列，只知道状态转移的概率，即模型的状态转换过程是不可观察的。因此，该模型是一个双重随机过程，包括模型的状态转换和特定状态下可观察事件的随机。

基本原理：隐马尔可夫模型（HMM）可以用五个元素来描述，包括2个状态集合和3个概率矩阵：隐含状态 S、可观测状态 O、初始状态概率矩阵 π、隐含状态转移概率矩阵 A、观测状态转移概率矩阵 B。一般的，可以用λ=(A,B,π)三元组来简洁的表示一个隐马尔可夫模型。隐马尔可夫模型实际上是标准马尔可夫模型的扩展，添加了可观测状态集合和这些状态与隐含状态之间的概率关系。

主要应用：语音识别，行为识别，文字识别以及故障诊断等

相关案例：

• 机器学习-白板推导系列(十四)-隐马尔可夫模型HMM（Hidden Markov Model）_哔哩哔哩_bilibili
• 用隐马尔可夫模型建立预测模型 - 马尔可夫模型 | Coursera
• 机器学习入门 隐马尔可夫模型HMM_哔哩哔哩_bilibili