1.在特定条件下，系统在时间t的状态只与其在时间t-1的状态相关 。这一随机过程称为马尔可夫过程。

2.一个马尔可夫模型由三个部分组成：若干个状态；初始概率；转移概率矩阵。马尔可夫模型中，每个状态代表了一个可观察到的事件，因此如果知道某一事件的观察序列，可应用马尔可夫模型这一统计模型。

3.当事件是不可直接观测到的，就称事件是隐状态。而可观察事件的状态为可观察状态。隐马尔可夫模型用于估算可观察事件背后的事件的概率，被认为是解决大多数自然语言处理问题最快速、有效的方法; 成功解决了复杂的语音识别、机器翻译等 问题;

4.一个隐马尔可夫模型由五部分组成：状态集合（观测序列）；输出结果（隐状态序列）；转移概率分布；发射概率分布；初始状态；

5.隐马尔可夫模型的三个主要应用：（1）. 给定一个隐马尔科夫模型M=(A,B)，如何有效计算某个观测序列O出现的概率，即计算P(O|M) (A表示转移概率，B表示发射概率) ；（2）. 给定一个观测序列O和一个HMM模型M，寻找最好的隐序列Q以便最好的解释观测值 (解码) （3）. 依据给定的观测序列O以及HMM模型中的状态集合，学习最佳HMM参数模型A和B(学习) 针对寻找最佳隐序列（HMM的第二个应用），引入Viterbi算法：依据最后一个时刻中概率最高的状态，逆向通过找其路径中的上一个最大部分最优路径，从而找到整个最优路径。

本文实现隐马尔可夫模型+维特比算法，具体算法描述如下： 对本题给出的表格数据进行Laplace方法进行平滑处理后得到转移矩阵及发射矩阵

转移矩阵：

发射矩阵

将矩阵及初始概率的值以数组方式存放

定义转移概率矩阵tp，发射概率矩阵ep，数组viterbi[6][6]计算维特比算法中每个状态节点的概率值

计算转移概率分布和发射概率分布

先由初始概率发射概率 计算出第一个单词标注为第i种词性的概率值viterbi[0][i] Viterbi[0][i]=1.0original_p[i]ep[i][ind[0]]; //第i种词性的初始概率由第i种词性转移到第0个单词的发射概率

然后在两层循环里 for(int i=0;i } } 计算每一个状态节点的值viterbi[i][j] 表示为第i个单词标注为第j种词性的概率 由隐马尔可夫模型，系统在第i天的状态与系统在第i-1天的状态有关； 第三层循环枚举前一天的所有词性标注结果的情况k(0 Cout1974