1.HMM的應用1，這個程式碼不知道出處了，若有侵權請聯絡本文作者刪除，註釋為本人所加。

2.對基本的HMM需要進一步瞭解的，請戳這裡

3.下面是HMM程式碼的解釋之一

# _*_ coding:utf-8 _*_
# __author__='dragon'
"""
test HMM

"""
from __future__ import division
import numpy as np
import matplotlib.pyplot as plt
from hmmlearn import hmm
##這裡要求先裝好了hmm這個包
states = ["Rainy", "Sunny"
 
]##隱藏狀態
n_states = len(states)##長度

observations = ["walk", "shop", "clean"]##可觀察的狀態
n_observations = len(observations)##可觀察序列的長度

start_probability = np.array([0.6, 0.4])##開始轉移概率
##轉移矩陣
transition_probability = np.array([
  [0.7, 0.3],
  [0.4, 0.6]
])
##混淆矩陣
emission_probability = np.array([
  [0.1, 0.4, 0.5
 
],
  [0.6, 0.3, 0.1]
])

#構建了一個MultinomialHMM模型，這模型包括開始的轉移概率，隱含間的轉移矩陣A（transmat），隱含層到可視層的混淆矩陣emissionprob，下面是引數初始化
model = hmm.MultinomialHMM(n_components=n_states)
model._set_startprob(start_probability)
model._set_transmat(transition_probability)
model._set_emissionprob(emission_probability)

# predict a sequence of hidden states based on visible states
 

bob_says = [2, 2, 1, 1, 2, 2]##預測時的可見序列
logprob, alice_hears = model.decode(bob_says, algorithm="viterbi")
print logprob##該引數反映模型擬合的好壞
##最後輸出結果
print "Bob says:", ", ".join(map(lambda x: observations[x], bob_says))
print "Alice hears:", ", ".join(map(lambda x: states[x], alice_hears))

4，那麼問題來了，怎麼訓練這個HMM模型來獲取模型引數呢，請關注後面更新。。。。。。