Ⅰ 求大神解答。HMM(隱馬爾科夫模型) 和 卡爾曼濾波比，哪個更高級或者哪個更新
卡爾曼濾波是基於馬爾科夫模型而推導出來的。不存在高不高級，馬爾科夫模型和隱馬爾科夫模型是很多濾波的假設前提。
Ⅱ 隱馬爾可夫模型 為什麼是生成模型
不過我想說個更通俗易懂的例子。 還是用最經典的例子隱馬爾可夫（HMM）好講，簡單易懂不好講，擲骰子。我認為 @者也的回答沒什麼錯誤。假設我手裡有三個不同的骰子
Ⅲ 隱馬爾可夫模型的基本概述
一種HMM可以呈現為最簡單的動態貝葉斯網路。隱馬爾可夫模型背後的數學是由LEBaum和他的同事開發的。它與早期由RuslanL.Stratonovich提出的最優非線性濾波問題息息相關，他是第一個提出前後過程這個概念的。
在簡單的馬爾可夫模型（如馬爾可夫鏈），所述狀態是直接可見的觀察者，因此狀態轉移概率是唯一的參數。在隱馬爾可夫模型中，狀態是不直接可見的，但輸出依賴於該狀態下，是可見的。每個狀態通過可能的輸出記號有了可能的概率分布。因此，通過一個HMM產生標記序列提供了有關狀態的一些序列的信息。注意，「隱藏」指的是，該模型經其傳遞的狀態序列，而不是模型的參數；即使這些參數是精確已知的，我們仍把該模型稱為一個「隱藏」的馬爾可夫模型。隱馬爾可夫模型以它在時間上的模式識別所知，如語音，手寫，手勢識別，詞類的標記，樂譜，局部放電和生物信息學應用。
隱馬爾可夫模型可以被認為是一個概括的混合模型中的隱藏變數（或變數），它控制的混合成分被選擇為每個觀察，通過馬爾可夫過程而不是相互獨立相關。最近，隱馬爾可夫模型已推廣到兩兩馬爾可夫模型和三重態馬爾可夫模型，允許更復雜的數據結構的考慮和非平穩數據建模。
Ⅳ 如何用簡單易懂的例子解釋隱馬爾可夫模型
隱馬爾可夫（HMM）好講，簡單易懂不好講。我認為 @者也的回答沒什麼錯誤，不過我想說個更通俗易懂的例子。
還是用最經典的例子，擲骰子。假設我手裡有三個不同的骰子。第一個骰子是我們平常見的骰子（稱這個骰子為D6），6個面，每個面（1，2，3，4，5，6）出現的概率是1/6。第二個骰子是個四面體（稱這個骰子為D4），每個面（1，2，3，4）出現的概率是1/4。第三個骰子有八個面（稱這個骰子為D8），每個面（1，2，3，4，5，6，7，8）出現的概率是1/8。
假設我們開始擲骰子，我們先從三個骰子里挑一個，挑到每一個骰子的概率都是1/3。然後我們擲骰子，得到一個數字，1，2，3，4，5，6，7，8中的一個。
不停的重復上述過程，我們會得到一串數字，每個數字都是1，2，3，4，5，6，7，8中的一個。例如我們可能得到這么一串數字（擲骰子10次）：1 6 3 5 2 7 3 5 2 4
這串數字叫做可見量鏈。但是在隱馬爾可夫模型中，我們不僅僅有這么一串可見量鏈，還有一串隱含量鏈。在這個例子里，這串隱含變數鏈就是你用的骰子的序列。比如，隱含量鏈有可能是：D6 D8 D8 D6 D4 D8 D6 D6 D4 D8
一般來說，HMM中說到的馬爾可夫鏈其實是指隱含量鏈，因為隱含量（骰子）之間存在轉換概率的。在我們這個例子里，D6的下一個狀態是D4，D6，D8的概率都是1/3。D4，D8的下一個狀態是D4，D6，D8的轉換概率也都一樣是1/3。這樣設定是為了最開始容易說清楚，但是我們其實是可以隨意設定轉換概率，或者轉換概率分布的。比如，我們可以這樣定義，D6後面不能接D4，D6後面是D6的概率是0.9，是D8的概率是0.1。這樣就是一個新的HMM。
同樣的，盡管可見量之間沒有轉換概率，但是隱含量和可見量之間有一個概率叫做emission probability（發射概率？沒見過中文怎麼說的。。。）。對於我們的例子來說，六面骰（D6）產生1的emission probability是1/6。產生2，3，4，5，6的概率也都是1/6。我們同樣可以對emission probability進行其他定義。比如，我有一個被賭場動過手腳的六面骰子，擲出來是1的概率更大，是1/2，擲出來是2，3，4，5，6的概率是1/10。
Ⅳ 隱馬爾可夫模型的基本演算法
針對以下三個問題，人們提出了相應的演算法
*1 評估問題： 前向演算法
*2 解碼問題： Viterbi演算法
*3 學習問題： Baum-Welch演算法(向前向後演算法)
Ⅵ 人們對股票市場進行了深入的研究，認為，股票的價格是隨機波動的，這種隨機波動是有規律的，而規律是變化
影響股票價格的因素很多，至今無法確定哪個是主要的，也無法給各個因素賦權，所以無法做出有實用價值的數學模型。
僅供參考。
Ⅶ 舉例說明什麼shift隱馬爾科夫模型
隱馬爾可夫模型（Hidden Markov Model，HMM）是統計模型，它用來描述一個含有隱含未知參數的馬爾可夫過程。其難點是從可觀察的參數中確定該過程的隱含參數。然後利用這些參數來作進一步的分析，例如模式識別。
是在被建模的系統被認為是一個馬爾可夫過程與未觀測到的（隱藏的）的狀態的統計馬爾可夫模型。
Ⅷ 如何通過隱馬爾科夫模型來預測股票價格
馬爾科夫預測模型它的前提條件是，在各個期間或者狀態時，變數面臨的下一個期間或者狀態的轉移概率都是一樣的、不隨時間變化的。一旦轉移概率有所變化，Markov模型必須改變轉移概率矩陣的參數，否則，預測的結果將會有很大的偏差。 隨機過程中，
Ⅸ 馬爾科夫的隱馬爾可夫模型
馬爾可夫模型（Markov Model）和隱馬爾可夫模型（Hiden Markov Model） 都是統計模型，用來通過過去事物的變化，找到規律，預測未來，區別在於：馬爾可夫模型可以完全確定出來所需要的參數，但是有時候我們因為條件的限制，無法獲取全部的參數，這時候就用到隱馬爾科夫模型了。隱馬爾可夫模型它用來描述一個含有隱含未知參數的馬爾可夫過程。舉一個經典的例子：一個東京的朋友每天根據天氣{下雨，天晴}決定當天的活動{公園散步,購物,清理房間}中的一種，我每天只能在twitter上看到她發的推「啊，我前天公園散步、昨天購物、今天清理房間了！」，那麼我可以根據她發的推特推斷東京這三天的天氣。在這個例子里，顯狀態是活動，隱狀態是天氣。