语音识别——隐马尔科夫
HMM模型，就是估计向量流与已经存在的HMM模型的动态的匹配概率。
语音经常用MFCC作观察向量。常见的是13维，加上 一级差分，和二级差分，共39维，最常见了。
如何使用隐马尔科夫模型进行时间序列预测
一、马尔科夫转移矩阵法的涵义 单个生产厂家的产品在同类商品总额中所占的比率，称为该厂产品的市场占有率。在激烈的竞争中，市场占有率随产品的质量、消费者的偏好以及企业的促销作用等因素而发生变化。
人体行为识别有哪些算法
人体行为识别前已有的 *** 主要分为三大类：基于模板的 *** ，基于概率统计的 *** 和基于语义的 *** 。
模板匹配是一种较早用在人体运动识别上的 *** ,将运动图像序列转化为一个或一组静态的模板，通过将待识别样本的模板与已知的模板进行匹配获得识别结果。在行为识别中，基于模板匹配的算法可以分为帧对帧匹配 *** 和融合匹配 *** 。主要 *** 有：运动能量图像（MEI）和运动历史图像（MHI），基于轮廓的平均运动形状（MMS）和基于运动前景的平均运动能量（AME）等。
概率统计 *** 进行运动识别是把运动的每一种静态姿势定义为一个状态或者一个状态的 *** ，通过 *** 的方式将这些状态连接起来，状态和状态之间的切换采用概率来描述。主要有隐马尔科夫模型HMM， 更大熵马尔科夫模型（MEMM），条件随机场（CRF）等。
隐马尔可夫模型与动作识别如何联系，为什么要用隐马尔科夫模型进行动作识别？谢谢
隐马尔可夫模型可以归为状态空间法的一种。
状态空间法又称为基于概率 *** 的 *** ，这种 *** 可以避免行为时间间隔建模，但模型训练复杂。因为人的运动具有马尔可夫性，当前的状态只受前一个状态的影响，这种 *** 将人的运动看成不可直接观测的马尔可夫过程，充分考虑到了人行为的动态过程，将人的运动序列看成状态间的一次遍历，概率地识别人的运动时空序列。此 *** 是目前使用较多的人体运动识别 *** 。它的优点是对时间和空间尺度上的运动微小变化的鲁棒性较好，可以避免行为时间间隔建模，运动持续时间得到很好的解决。缺点是计算比较复杂，需建立非线性模型，模型训练复杂，没有固定解决 *** ，需选择合适的状态数和特征矢量的维数。
摘自：阮涛涛, et al., "基于视觉的人体运动分析综述," 计算机系统应用, vol. 20(2), pp. 245-253, 2010.
解二维马尔科夫，谁给指点一下或者给个资料什么的？
首先恭喜您建立了模型。
马尔科夫过程(MarKov Process)是一个典型的随机过程。设X(t)是一随机过程，当过程在时刻t0所处的状态为已知时，时刻t(tt0)所处的状态与过程在t0时刻之前的状态无关，这个特性成为无后效性。无后效的随机过程称为马尔科夫过程。马尔科夫过程中的时同和状态既可以是连续的，又可以是离散的。我们称时间离散、状态离散的马尔科夫过程为马尔科夫链。马尔科夫链中，各个时刻的状态的转变由一个状态转移的概率矩阵控制。
二维隐马尔科夫模型
例如，采样窗是垂直方向的，自然想到是不是也可以在水平方向建立状态这就是二维隐马尔科夫模型，但是二维HMM的训练和识别算法的复杂性，使用不是很理想，嵌入式隐马尔科夫模型由一系列超状态组成，每个超状态又包含若干状态，称为嵌入状态，超状态反应其中的一维信息，嵌入状态反映另一维的信息，但是由于超状态内的状态之间没有状态的转移，所以不是真正的二维。只能看作是一个简化的二维。
人脸的超状态模型就是刚才的从上到下的五个状态（前面的HMM中的五个状态），在各个超状态之间增加水平信息。转移关系还是从一个超状态到另一个超状态。嵌入的水平状态数为3，6，6，6，3用一个或多个分量的混合高斯密度函数表示。
观测向量的提取，首先把人脸分为图像快。然后取图像块的灰度值或者变换系数组成一个观测向量，图像快采用遍历的 *** 进行采样，就是从上到下，从左到右，来获取图像的采样快。2D-DCT的低频分量。
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。
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。