此文档为博士论文，全面介绍了对中文自然语言进行处理的一些技术

基于隐马尔可夫模型（HMM）的孤立字语音识别实验

基于HMM的专业股票预测方法，需要一定基础，但一旦掌握，受益无穷

解决隐马尔科夫的三个问题的算法，鲍勃韦尔奇算法

基于隐马尔可夫模型的人脸识别源代码,是作模式识别的非常好学习代码。

不适合初学者，较复杂

用隐马尔科夫模型解决股票价格预测问题

使用C#语言实现隐马尔科夫模型分词源代码，利用中文成文规则进行的分词过程！

HMM自学+HMM隐马尔科夫模型的学习资料 里面有实例介绍

信息隐藏是利用人类感觉器官对数字信号的感觉冗余和图像、语音等信源的数字冗余特性，将秘密消息隐藏在载体中进行传递，使观察者和监视系统无法觉察到信息的存在，以实现隐蔽通信等功能的技术。载体可以是文本、图像、语音、视频、IP数据报等。 隐写分析（steganalysis）是指在已知或未知嵌入算法的情况下，从观察到的数据检测判断其中是否存在秘密信息，分析数据量的大小和数据嵌入的位置，并最终破解嵌入内容的过程。 第一步是构建Stego。本文首先介绍了JPEG图像隐写术的发展状况，概略的介绍了JPEG图像的结构以及隐写检测思路。然后深入分析nsF5和J-UNIWARD的隐写代码及其原理，运用两种修改后和完善后的代码构建隐秘图像库Stego。 第二步是进行特征的提取。由于DCT特征在特征维数相对比较低的同时，具有相对更高的效率，有助于实验过程的便利及提高最终结果的成功率，所以选取DCT特征作为训练分类器的依据。我们使用残差图像的离散余弦变换（DCTR）算法分别对构建的cover和stego图像库提取信息。DCTR算法用JPEG中的DCT基来获得残差直方图，因此特征提取只需要计算64个8x8核DCT基，利用这些卷积核与解压JPEG图像卷积得到一个二维矩阵，然后将这个二维矩阵量化、截断得到子图像，最后根据这些子图像提取出直方图特征，再将这些直方图特征通过对称性原则对其进一步压缩，融合成8000维的特征向量。 第三步：因为待检测的jpeg图像可能采取两种不同的隐写算法，所以我们采用通用盲检测的方法进行检测。通用盲检测的优点是对多种类型的隐写算法有效，适应性强，经过样本学习，对未知算法或新算法有效，具有泛化能力，期间尝试应用Libjpeg提取JPEG质量因子来提高检测的正确率。同样，通用盲检测也有缺点，相对于针对特定隐写的检测算法来说，可靠性低一些，检测可靠性随嵌入信息的减少剧烈下降，检测前需要学习，需保证训练数据和测试数据统计上的一致性。我们采取集成分类器，通过集成分析投票的方式来提高检测结果的可靠性。结果是根据投票结果来确定的，投票值的大小不同表明检测对于图片是否被隐写的确定程度不同，我们认为值在0左右徘徊的是不确定的项，所以决定将投票值10以下的也认为是未隐写的图片，结果略有提高，最终正确率为0.731。