matlab中的隐马尔可夫。
原文代码数据链接：t。
原文出处：拓端数据部。
隐马尔可夫模型(HMM)是一个在你观察到的输出顺序，但不知道状态序列模型产生输出的过程。
隐马尔可夫模型的分析视图从观察到的数据中恢复状态序列。
例如，考虑具有两个状态，该模型使用：红色骰子，有六个面，标记为1到6。
一个绿色骰子，具有十二个侧面，其中五个侧面标记为2到6，其余七个侧面标记为1。
加权的红色硬币，正面出现概率为.9，背面出现概率为1。
该模型使用以下规则从：首先滚动红色骰子，然后写下出现。
投掷红色硬币并执行以下操作之如果结果为正面，则滚动红色骰子并记下结果。
如果结果是反面，则滚动绿色骰子。
在随后的每个步骤中，您翻转与上一步中滚动的骰子颜色相同的颜色的硬币。
如果硬币正面朝上，则与上一步骤滚动相同的骰子。
如果硬币出现反面，请切换到另一个骰子。
该模型的状态图具有红色和绿色两种状态，如下图所示。
您可以通过滚动具有与状态相同颜色的骰子来确定状态的发射。
您可以通过翻转与状态相同颜色的硬币来确定到下一个状态的过渡。
转换矩阵为：T=。
该模型不是隐藏的，因为您可以从硬币和骰子的颜色知道状态的顺序没有向您显示骰子或硬币。
您所看到的只是输出的顺序。
如果开始看到的数字比其他数字多1，则可能会怀疑骰子处于绿色状态，但由于无法看到要滚动的骰子的颜色，因此无法确定。
隐藏的马尔可夫模型提出以下问题：给定一系列输出，最可能的状态路给定一系列输出，您如何估算模型的转换和输出概率？什么是后验概率？分析隐马尔可夫模型？本节说明如何来分析隐马尔可夫模型。
生成测试序列：要从模型生成状态和发射的随机序列：输出seq是序列，输出states是状态序列。
估计状态序列：likelystates是与长度相同的序列s要测试的准确性hmmviterbi。
sum(states==likelystates)/1000在这种情况下，最有可能的状态序列在82%的时间内与随机序列一致。
估算转移和输出矩阵：返回转换矩阵和输出矩阵的估计值：您可以将输出与原始矩阵进行比较，0.9000 0.10000.0500 0.9500 EMIS EMIS=0.16670.16670.1667 0.1667 0.5833 0.0833 0.0833 0.0833。
假设您对TRANS和EMIS有以下初步猜测EMIS。
您估计TRANS并EMIS。
如果算法在最大迭代次数(默认值为)内未能达到此容差100，则算法将暂停。
更改初始状态分布：如果转换矩阵和发射矩阵分别为TRANS和EMIS，则可以使用以下命令来创建增强矩阵：