马尔科夫链
如果随机过程{X_n ,n = 1,2,…}的构造使得X_n+1的条件概率分布仅依靠于X_n的值而与其他以前的值无关，称这个过程为马尔可夫链。
隐马尔可夫模型(Hidden Markov Model，HMM)
隐马尔可夫模型 (Hidden Markov Model) 是一种统计模型，用来描述一个含有隐含未知参数的马尔可夫过程，只是它的状态不能直接被观察到，但是可以通过观察向量间接的反映出来，即每一个观察向量由一个具有相应概率密度分布的状态序列产生，又由于每一个状态也是随机分布的，所以HMM是一个双重随机过程。HMM的533：五要素、三假设、三解决。
对 HMM 来说，有如下三个重要假设，尽管这些假设是不现实的：
隐马尔可夫模型可以用五个元素来描述：
-
模型的隐状态数目（N），虽然这些状态是隐含的，但在许多实际应用中，模型的状态通常有具体的物理意义；
-
每个状态的不同观测值的数目（M），注：隐藏状态的数目和可以观察到的状态的数目可能是不一样的;
-
状态转移概率矩阵（A），描述了HMM模型中各个状态之间的转移概率；
-
观测概率矩阵（B ）, 表征特定状态下发射符号(观察值)的概率；
-
初始状态概率矩阵（π）;
HMM需要解决三个基本问题：
（评估：给模型，求观察； 学习：给观察，调模型； 解码：给观察和模型，求隐藏）
Baum-Welch算法用作训练（学习），Viterbi算法用作识别（解码），三个算法都采用动态规划方法。