为了有效地识别滚动轴承的不同失效模式，本文提出了一种基于小波包分解和连续隐马尔可夫模型的滚动轴承故障预测方法。 首先利用小波包分解对滚动轴承的振动信号进行处理，以提取出能量特征，然后将提取出的特征作为连续隐马尔可夫模型的输入。 训练了大量样本以估计不同轴承故障的连续隐马尔可夫模型的参数。 一旦达到该学习阶段，便会在第二阶段中利用生成的模型来连续评估滚动轴承的当前健康状态，并通过计算监视不同CHMM数据的概率来评估故障模式。 测试结果表明，该方法可以准确预测滚动轴承的故障，并评估滚动轴承的损坏状态。

CHMM 语音识别，每个词条训练十次，识别率可达90%以上

HMM的C和C++实现，实现的是离散型的HMM,包括离散和连续的HMM实现.