隐马尔可夫模型定义
隐马尔可夫模型是描述两个时序序列联合分布p(x,y)的概率模型，x序列外界可见，称为观测序列；y序列外界不可见，称为状态序列。比如观测x为单词，状态y为词性。
隐马尔可夫模型利用三个要素来模拟时序序列的发生过程，初始状态概率向量，状态转移概率矩阵和发射概率矩阵。
其中 为初始时刻的概率分布
为状态转移矩阵
为发射矩阵
模型的详细定义见 https://zhuanlan.zhihu.com/p/380298879
马尔科夫假设（确定了状态与观测之间的依赖关系）
每个事件的发生概率只取决于前一个事件，将满足该假设的连续多个事件串联在一起，就构成了马尔可夫链。
任意时刻的观测x只依赖于该时刻的状态y，与其他时刻的状态或观测独立无关。
隐马尔可夫模型要解决的三个问题
（1）样本生成问题：给定模型，生成满足模型约束的样本，即一系列观测序列及其对应的状态序列。（Evaluation问题）
（2）模型训练问题：给定训练集观测序列和状态序列，估计模型参数（Learning问题）
（3）序列预测问题：已知模型参数，给定观测序列x，求最可能的状态序列y（最具有实际意义的问题）（Decoding问题）
Evaluation问题是给定模型参数去求所有可能的观测序列的概率，所有的观测序列有N的T次方种可能，复杂度太大，直接求解不太现实，因此采用前向算法降低了时间复杂度， 代表前
时刻的观测变量与
时刻的隐状态，
代表
时刻的隐状态为
，通过
与
的递推式快速计算出
降低了时间复杂度。