HMM中文书籍，是不多见的讲解HMM的中文书籍。 作者不详，但是经典模型讲解的很清楚。书里最后几章还介绍了用ＴＩＤＳＰ硬件实现的过程。

HMM人脸识别_人脸识别_OPENCV_C++

会议：ICASSP-90 论文：A HIDDEN MARKOV MODEL BASED KEYWORD RECOGNITION SYSTEM 作者：Richard C Rose，Douglas B Paul ABSTRACT 提出了一种基于连续语音识别模型的独立于说话人的隐马尔可夫模型（HMM）关键字识别器（KWR）。描述了基线关键字识别系统，并讨论了处理非关键字语音和线性通道效果的技术。研究了声学模型的训练，以提供非词汇语音的显式表示。似然比评分程序用于说明影响关键字似然分数的可变性来源。依赖于声学类别的频谱归一化过程用于为线性通道效应提供显式补偿。具有20个关键字词汇的标准会话语音任务的关

该资源为机器学习算法2详细讲解，包括朴素贝叶斯、支持向量机、EM算法、HMM模型、集成学习进阶以及拓展理论和实践案例等详细讲解。

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。

介绍了隐马尔可夫模型的基本原理以及在说话人识别中的实现,对文本相关与文本无关进行比对,得出文本相关的识别率要高的结论及原因。

这个是孤立词的HMM算法实现，还不错。贡献给大家了。

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。

产生式模型和判别式模型（Generative model vs. Discriminative model）,概率图模型（Graphical Models）,朴素贝叶斯分类器（ Naive Bayes Classifier）,隐马尔可夫模型（Hidden Markov Model，HMM）,最大熵模型（Maximum Entropy Model，MEM）,最大熵马尔可夫模型（MEMM）,条件随机场（conditional random fields，CRF）

Python3.6的HMM工具包，下载好后，在cmd命令行中，用pip install hmmlearn-0.2.1-cp36-cp36m-win_amd64.whl安装即可。然后可以在代码中import，即可引用