由于HMM是在马尔可夫链的基础上发展而来的，为了更好的理解HMM，我们先了解一下马尔可夫链的基本概念。 HMM的基本理论 HMM模型在实际应用时需要解决的三个问题 HMM在语音处理中的应用 隐含马尔科夫模型HMM（Hidden Markov Model）是一种识别算法，HMM的精髓在于：观察可测，状态隐含。 HMM是一个双内嵌式随机过程，即HMM是由两个随机过程组成，其中之一是Markov链，这是基本随机过程，它描述状态的转移，另一个随机过程描述状态和观察值之间的统计对应关系。 我们考察语音，也可以发现类似的情况。语音中当前的发音音素与下一个发音音素之间以某种概率发生转移。我们听到（观察到）的只能是发音后产生的语音波形信息，假如仅考虑语音的波形（而不是经过人的听觉分析），则很难知道该语音波形对应的音素信息是什么。

贝叶斯鲁棒隐马尔可夫模型 (BRHMM) 是一种用于分割序列多变量数据的概率模型。 该模型将数据解释为由一系列隐藏状态生成。 每个状态都是重尾分布的有限混合，具有特定于状态的混合比例和共享位置/分散参数。 该模型中的所有参数都配备有共轭先验分布，并使用与期望最大化实质相似的变分贝叶斯（vB）推理算法进行学习。 该算法对异常值具有鲁棒性并接受缺失值。 此提交包括一个测试函数，该函数生成一组合成数据并从这些数据中学习模型。 测试函数还绘制根据模型分割的数据，以及每次 vB 迭代后数据对数似然的变分下界。 如果您发现此提交对您的研究/工作有用，请引用我的 MathWorks 社区资料。 如果您有任何技术或应用相关问题，请随时直接与我联系。 指示： 下载此提交后，解压缩 MatLab 工作目录中的压缩文件并运行测试函数 (TestBRHMM.m) 进行演示。

提出一种基于运动趋势的移动对象位置预测算法，不仅借鉴马尔可夫模型思想对移动对象的历史活动轨迹进行建模，而且将对象的运动趋势作为位置预测的重要因素。以全体历史停留区域作为未来位置的候选，根据位置的特征，将结果分为预测位置和推荐位置。真实数据实验表明，算法在保证较高时间效率的同时，预测精度较同类算法提高近10%。

为解决传统隐马尔可夫股价行为预测模型对输入特征序列和隐含状态数目敏感，导致预测结果存在局部最优、误差较大的问题，设计了新的股票因子特征选择方法，包括对因子特征的筛选和特征数据预处理。结合贝叶斯信息规则确定模型最佳隐含状态数目，提出了一种优化股价行为预测性能的PRHMM模型。通过对比支持向量机、ARIMA模型，实验结果证明，所提出的预测算法相对传统预测模型，在股价行为预测中有更好的预测表现。

在Matlab中实现持续时间高阶隐马尔可夫模型（DHO-HMM）及其在语音识别中的应用。

利用1990年、2002年两期TM影像数据,基于马尔可夫模型,借助MAPGIS,ARCGIS的空间分析功能,从土地利用变化的数量、土地利用类型之间的转移等角度,对沁阳市土地利用动态变化进行了分析.结果表明,在人类活动和自然因素的影响下,沁阳市12年间土地利用结构发生了明显改变,耕地面积减少,建设用地和未利用地增加(建设用地和未利用地面积的增加主要是通过占用耕地来实现的),三者之间的转换较为频繁.受退耕还林、耕地动态平衡政策的影响,林地面积增加,部分建设用地、水域、园地通过整理复垦变为耕地.

灰色GM(1,1)模型不适合描述随机波动性较大的预测问题,单纯应用该模型进行齿轮寿命预测时,预测精度不能保证;引入马尔可夫理论,建立了灰色马尔可夫预测模型,采用统计的方法,通过计算系统到达目标时刻的不同步数的转移概率矩阵,确定系统的目标状态。实例证明,相比与GM(1,1)模型,灰色马尔可夫模型的预测精度更高。

该项目提供了Java中持续时间高阶隐马尔可夫模型（DHO-HMM）的实现。 它可以用JDK 5和6压缩。它被用于作者对普通话数字语音识别的研究。 该项目中有一些中文单词，恐怕最近我没有足够的时间翻译成英文。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

使用基于隐马尔可夫模型的机器学习对 3 类问题进行一维矩阵分类。 它还包含一个基于矩阵的示例，输入样本的大小为 15 和 3 个特征 https://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html https://www.cs.ubc.ca/~murphyk/Software/HMM.zip 需要工具箱Matlab 的隐马尔可夫模型 (HMM) 工具箱由凯文墨菲撰写，1998 年。 最后更新：2005 年 6 月 8 日。 在 MIT 许可下分发 该工具箱支持对具有离散输出 (dhmm's)、高斯输出 (ghmm's) 或高斯输出混合 (mhmm's) 的 HMM 进行推理和学习。 高斯分布可以是完整的、对角线的或球面的（各向同性的）。 它还支持离散输入，如 POMDP。 推理例程支持过滤、平滑和固定滞后平滑。