matlab实现隐马尔可夫模型相关算法，backward算法，forward算法，viterbi算法，附带参数估计的笔记。

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

概括 该存储库包含SEPP，TIPP，UPP，HIPPI的代码。 这三种方法以不同的方式使用“隐马尔可夫模型”（HMM）的合奏，每种方法都着眼于不同的问题。 这些相关工具中的每一个都有其自己的README文件。 SEPP代表“支持SATe的系统发生位置”，它解决了将短读段在参考比对和树木中进行系统发生的问题。 UPP代表“使用系统发育感知配置文件进行超大比对”，解决了非常大的数据集（可能包含碎片数据）的比对问题。 UPP可以将数据集与多达1,000,000个序列对齐。 HIPPI代表“具有HMM集合的高精度蛋白质家族分类”，解决了将查询序列分类为蛋白质家族的问题。 TIPP代表“分类学识别和系统发育分析”，它解决了分类学识别和宏基因组学数据的丰度分析的问题。 我们已将TIPP作为SEPP的独立软件包迁移。 TIPP软件包可在访问。 错误与错误 SEPP，TIPP，UPP，HIPP

完整代码，可直接运行

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类实验,结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。

该模型包括两个程序： 1、根据观察序列创建一个HMM模型，利用BW算法估计HMM的参数。 2、根据已知的观察序列和HMM模型，估计观察序列的概率值，利用Forward算法 注：在HMM.cpp中分别有这两个主程序，运行一个的时候注释另一个。

HMM 模型算法 包括测试的主函数，Baum-Welch 算法，已经进行了验证，可以直接运行

HMM的详细代码，相信能给大家一个帮助，欢迎学习HMM的同学一起加入

HMM模型训练语音识别0-9，含GUI界面设计