Ⅰ 求大神解答。HMM(隐马尔科夫模型) 和 卡尔曼滤波比，哪个更高级或者哪个更新
卡尔曼滤波是基于马尔科夫模型而推导出来的。不存在高不高级，马尔科夫模型和隐马尔科夫模型是很多滤波的假设前提。
Ⅱ 隐马尔可夫模型 为什么是生成模型
不过我想说个更通俗易懂的例子。 还是用最经典的例子隐马尔可夫（HMM）好讲，简单易懂不好讲，掷骰子。我认为 @者也的回答没什么错误。假设我手里有三个不同的骰子
Ⅲ 隐马尔可夫模型的基本概述
一种HMM可以呈现为最简单的动态贝叶斯网络。隐马尔可夫模型背后的数学是由LEBaum和他的同事开发的。它与早期由RuslanL.Stratonovich提出的最优非线性滤波问题息息相关，他是第一个提出前后过程这个概念的。
在简单的马尔可夫模型（如马尔可夫链），所述状态是直接可见的观察者，因此状态转移概率是唯一的参数。在隐马尔可夫模型中，状态是不直接可见的，但输出依赖于该状态下，是可见的。每个状态通过可能的输出记号有了可能的概率分布。因此，通过一个HMM产生标记序列提供了有关状态的一些序列的信息。注意，“隐藏”指的是，该模型经其传递的状态序列，而不是模型的参数；即使这些参数是精确已知的，我们仍把该模型称为一个“隐藏”的马尔可夫模型。隐马尔可夫模型以它在时间上的模式识别所知，如语音，手写，手势识别，词类的标记，乐谱，局部放电和生物信息学应用。
隐马尔可夫模型可以被认为是一个概括的混合模型中的隐藏变量（或变量），它控制的混合成分被选择为每个观察，通过马尔可夫过程而不是相互独立相关。最近，隐马尔可夫模型已推广到两两马尔可夫模型和三重态马尔可夫模型，允许更复杂的数据结构的考虑和非平稳数据建模。
Ⅳ 如何用简单易懂的例子解释隐马尔可夫模型
隐马尔可夫（HMM）好讲，简单易懂不好讲。我认为 @者也的回答没什么错误，不过我想说个更通俗易懂的例子。
还是用最经典的例子，掷骰子。假设我手里有三个不同的骰子。第一个骰子是我们平常见的骰子（称这个骰子为D6），6个面，每个面（1，2，3，4，5，6）出现的概率是1/6。第二个骰子是个四面体（称这个骰子为D4），每个面（1，2，3，4）出现的概率是1/4。第三个骰子有八个面（称这个骰子为D8），每个面（1，2，3，4，5，6，7，8）出现的概率是1/8。
假设我们开始掷骰子，我们先从三个骰子里挑一个，挑到每一个骰子的概率都是1/3。然后我们掷骰子，得到一个数字，1，2，3，4，5，6，7，8中的一个。
不停的重复上述过程，我们会得到一串数字，每个数字都是1，2，3，4，5，6，7，8中的一个。例如我们可能得到这么一串数字（掷骰子10次）：1 6 3 5 2 7 3 5 2 4
这串数字叫做可见量链。但是在隐马尔可夫模型中，我们不仅仅有这么一串可见量链，还有一串隐含量链。在这个例子里，这串隐含变量链就是你用的骰子的序列。比如，隐含量链有可能是：D6 D8 D8 D6 D4 D8 D6 D6 D4 D8
一般来说，HMM中说到的马尔可夫链其实是指隐含量链，因为隐含量（骰子）之间存在转换概率的。在我们这个例子里，D6的下一个状态是D4，D6，D8的概率都是1/3。D4，D8的下一个状态是D4，D6，D8的转换概率也都一样是1/3。这样设定是为了最开始容易说清楚，但是我们其实是可以随意设定转换概率，或者转换概率分布的。比如，我们可以这样定义，D6后面不能接D4，D6后面是D6的概率是0.9，是D8的概率是0.1。这样就是一个新的HMM。
同样的，尽管可见量之间没有转换概率，但是隐含量和可见量之间有一个概率叫做emission probability（发射概率？没见过中文怎么说的。。。）。对于我们的例子来说，六面骰（D6）产生1的emission probability是1/6。产生2，3，4，5，6的概率也都是1/6。我们同样可以对emission probability进行其他定义。比如，我有一个被赌场动过手脚的六面骰子，掷出来是1的概率更大，是1/2，掷出来是2，3，4，5，6的概率是1/10。
Ⅳ 隐马尔可夫模型的基本算法
针对以下三个问题，人们提出了相应的算法
*1 评估问题： 前向算法
*2 解码问题： Viterbi算法
*3 学习问题： Baum-Welch算法(向前向后算法)
Ⅵ 人们对股票市场进行了深入的研究，认为，股票的价格是随机波动的，这种随机波动是有规律的，而规律是变化
影响股票价格的因素很多，至今无法确定哪个是主要的，也无法给各个因素赋权，所以无法做出有实用价值的数学模型。
仅供参考。
Ⅶ 举例说明什么shift隐马尔科夫模型
隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。
是在被建模的系统被认为是一个马尔可夫过程与未观测到的（隐藏的）的状态的统计马尔可夫模型。
Ⅷ 如何通过隐马尔科夫模型来预测股票价格
马尔科夫预测模型它的前提条件是，在各个期间或者状态时，变量面临的下一个期间或者状态的转移概率都是一样的、不随时间变化的。一旦转移概率有所变化，Markov模型必须改变转移概率矩阵的参数，否则，预测的结果将会有很大的偏差。 随机过程中，
Ⅸ 马尔科夫的隐马尔可夫模型
马尔可夫模型（Markov Model）和隐马尔可夫模型（Hiden Markov Model） 都是统计模型，用来通过过去事物的变化，找到规律，预测未来，区别在于：马尔可夫模型可以完全确定出来所需要的参数，但是有时候我们因为条件的限制，无法获取全部的参数，这时候就用到隐马尔科夫模型了。隐马尔可夫模型它用来描述一个含有隐含未知参数的马尔可夫过程。举一个经典的例子：一个东京的朋友每天根据天气{下雨，天晴}决定当天的活动{公园散步,购物,清理房间}中的一种，我每天只能在twitter上看到她发的推“啊，我前天公园散步、昨天购物、今天清理房间了！”，那么我可以根据她发的推特推断东京这三天的天气。在这个例子里，显状态是活动，隐状态是天气。