馬爾可夫模型(Markov Model)是通過尋找事物狀態(tài)的規(guī)律對(duì)未來事物狀態(tài)進(jìn)行預(yù)測(cè)的概率模型，在馬爾可夫模型中假設(shè)當(dāng)前事物的狀態(tài)只與之前的n個(gè)狀態(tài)有關(guān)

我們平時(shí)研究較多的則是一階馬爾可夫模型，主要有兩個(gè)特點(diǎn)

1、當(dāng)前狀態(tài)只與上一個(gè)狀態(tài)有關(guān)
2、某個(gè)時(shí)刻的觀測(cè)值只與當(dāng)前的狀態(tài)有關(guān)

我覺得主要關(guān)注點(diǎn)在當(dāng)前狀態(tài)以及它的轉(zhuǎn)移矩陣（當(dāng)前狀態(tài)是今天為雨天的概率為0.5，轉(zhuǎn)移矩陣為今天為雨天且明天為晴天的概率是0.8）

用狀態(tài)一直乘以它的轉(zhuǎn)移矩陣，到一定次數(shù)之后狀態(tài)會(huì)趨于穩(wěn)態(tài)

隱馬爾可夫模型（Hidden Markov Model，HMM）是統(tǒng)計(jì)模型，它用來描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程。其難點(diǎn)是從可觀察的參數(shù)中確定該過程的隱含參數(shù)。

意思就是，在隱馬爾可夫模型中，轉(zhuǎn)移矩陣中有些因素往往是不可見的，需要從另外一些可觀測(cè)的參數(shù)中獲取。比如說，我需要從觀測(cè)每天早上的露珠來確定是否晴雨天（晴雨天的概率無法直接觀測(cè)）