這里“MM”-馬爾可夫模型，不是跟中國網(wǎng)絡(luò)俗語“美眉”有關(guān)，而是跟俄國的“老司機(jī)”馬爾可夫有關(guān)。

這位“老司機(jī)”全名叫安德雷·安德耶維齊·馬爾可夫（Андрей Андреевич Марков），是俄國數(shù)學(xué)家。1874年18歲的馬爾可夫考入圣彼得堡大學(xué)，師從切比雪夫（另一位俄國“老司機(jī)”，著名的切比雪夫定理-概率論與數(shù)理統(tǒng)計的基礎(chǔ)），物理-數(shù)學(xué)博士，畢業(yè)后留校任教，圣彼得堡大學(xué)教授，圣彼得堡科學(xué)院院士。在概率論、數(shù)論、函數(shù)逼近論和微分方程等方面卓有成就。

馬爾可夫模型概述：

馬爾可夫模型MM（MarkovModel）是一種統(tǒng)計模型。它的原始模型馬爾可夫鏈，由俄國數(shù)學(xué)家馬爾可夫于1906年提出，將此一般化到可數(shù)無限狀態(tài)空間是由柯爾莫果洛夫在1936年給出的。馬爾可夫鏈?zhǔn)桥c馬爾可夫過程緊密相關(guān)。馬爾可夫過程是研究離散事件動態(tài)系統(tǒng)狀態(tài)空間的重要方法，它的數(shù)學(xué)基礎(chǔ)是隨機(jī)過程理論。

馬爾可夫性質(zhì)：

此性質(zhì)稱為馬爾可夫性質(zhì)（Markov Property），亦稱無后效性或無記憶性。

若X（t）為離散型隨機(jī)變量，則馬爾可夫性亦滿足等式。

馬爾可夫過程：

若隨機(jī)過程{X（t）， t屬于T}滿足馬爾可夫性質(zhì)，則稱為馬爾可夫過程。

比如，荷花池中一只青蛙的跳躍，液體中微粒所作的布朗運(yùn)動，傳染病受感染的人數(shù)，原子核中一自由電子在電子層中的跳躍，人口增長過程、闖迷宮的老鼠等都可視為馬爾可夫過程。

常見馬爾可夫過程有：

（1）獨立隨機(jī)過程為馬爾可夫過程。

（2）獨立增量過程為馬爾可夫過程。

（3）泊松過程為馬爾可夫過程。

（4）維納過程為馬爾可夫過程。

（5）質(zhì)點隨機(jī)游動過程為馬爾可夫過程。

跟樸素貝葉斯、支持向量機(jī)等機(jī)器學(xué)習(xí)算法不同，馬爾可夫過程不必給處理的數(shù)據(jù)打標(biāo)簽。馬爾可夫過程更側(cè)重于處理控制或決策問題。

馬爾可夫過程用于預(yù)測基本步驟：首先確定系統(tǒng)狀態(tài)，然后確定狀態(tài)之間轉(zhuǎn)移概率，再進(jìn)行預(yù)測，并對預(yù)測結(jié)果進(jìn)行分析-若結(jié)果合理，則可提交預(yù)測報告，否則需檢查系統(tǒng)狀態(tài)及狀態(tài)轉(zhuǎn)移概率是否正確。

馬爾可夫鏈：

馬爾可夫鏈MC（Markov Chain）是指數(shù)學(xué)中具有馬爾可夫性質(zhì)的離散事件隨機(jī)過程。該過程中，在給定當(dāng)前知識或信息的情況下，過去對于預(yù)測將來是無關(guān)的。在馬爾可夫鏈的每一步，系統(tǒng)根據(jù)概率分布，可以從一個狀態(tài)變到另一個狀態(tài)，也可以保持當(dāng)前狀態(tài)。狀態(tài)的改變叫做轉(zhuǎn)移，與不同的狀態(tài)改變相關(guān)的概率叫做轉(zhuǎn)移概率。

時間和狀態(tài)都離散的馬爾可夫過程成為馬爾可夫鏈MC。

馬爾可夫鏈原理：

馬爾可夫鏈MC描述了一種狀態(tài)序列，其每個狀態(tài)值取決于前面有限個狀態(tài)。馬爾可夫鏈?zhǔn)蔷哂旭R爾可夫性質(zhì)的隨機(jī)變量的一個數(shù)列。這些變量的范圍，即它們所有可能取值的集合，被稱為“狀態(tài)空間”，而的值則是在時間n的狀態(tài)。

馬爾可夫鏈?zhǔn)桥c馬爾可夫過程緊密相關(guān)。運(yùn)用馬爾可夫鏈只需要最近或現(xiàn)在的動態(tài)資料便可預(yù)測將來。

馬爾可夫鏈性質(zhì)：

馬爾可夫鏈MC具有以下性質(zhì)：

1）正定性：狀態(tài)轉(zhuǎn)移矩陣中的每一個元素被稱為狀態(tài)轉(zhuǎn)移概率，由概率論知識可知，每個狀態(tài)轉(zhuǎn)移概率皆為正數(shù)，用公式即可表示為：

2）有限性：由概率論知識知，狀態(tài)轉(zhuǎn)移陣中的每一行狀態(tài)轉(zhuǎn)移陣中每行相加皆為1，用公式可表示為：

馬爾可夫序列分類器：

序列分類器或序列標(biāo)號器是給序列中的某個單元指派類或者標(biāo)號的模型。諸如：詞類標(biāo)注、語音識別、句子切分、字素音位轉(zhuǎn)換、局部句法剖析、語塊分析、命名實體識別、信息抽取都屬于序列分類。

馬爾可夫序列分類器為：

1）顯馬爾可夫模型（VMM），又叫馬爾可夫模型MM。

2）隱馬爾可夫模型（HMM），描述一個含有隱含未知參數(shù)的馬爾可夫過程，是一個雙重隨機(jī)過程（包括馬爾可夫鏈和一般隨機(jī)過程）。

馬爾可夫模型應(yīng)用：

馬爾可夫模型廣泛應(yīng)用在語音識別，詞性自動標(biāo)注，音字轉(zhuǎn)換，概率文法等各個自然語言處理、算術(shù)編碼、地理統(tǒng)計學(xué)、企業(yè)產(chǎn)品市場預(yù)測、人口過程、生物信息學(xué)（編碼區(qū)域或基因預(yù)測）等應(yīng)用領(lǐng)域。經(jīng)過長期發(fā)展，尤其是在語音識別中的成功應(yīng)用，使它成為一種通用的統(tǒng)計工具。

1）狀態(tài)統(tǒng)計建模：馬爾可夫鏈通常用來建模排隊理論和統(tǒng)計學(xué)中的建模。還可作為信號模型用于熵編碼技術(shù)等。馬爾科夫鏈預(yù)測法是一種適用于隨機(jī)過程的科學(xué)、有效的動態(tài)預(yù)測方法。馬爾可夫鏈有眾多的生物學(xué)應(yīng)用，特別是人口過程，可以幫助模擬生物人口過程的建模。

2）隱蔽馬爾可夫模型（HMM）還被用于生物信息學(xué)，用以編碼區(qū)域或基因預(yù)測。1980年代后半期，HMM開始應(yīng)用到生物序列尤其是DNA的分析中。此后，在生物信息學(xué)領(lǐng)域HMM逐漸成為一項不可或缺的技術(shù)。到目前為止，隱馬爾可夫模型（HMM）一直被認(rèn)為是實現(xiàn)快速精確的語音識別系統(tǒng)的最成功的方法。復(fù)雜的語音識別問題通過隱含馬爾可夫模型能非常簡單地被表述、解決，讓人們由衷地感嘆數(shù)學(xué)模型之妙。

3）馬爾科夫鏈蒙特卡羅方法（Markov Chain Monte Carlo）方法： 馬爾科夫鏈蒙特卡羅MCMC是在樸素貝葉斯論框架下，通過計算機(jī)進(jìn)行模擬的蒙特卡羅方法，該方法將馬爾科夫鏈（MC）引入到蒙特卡羅（MC）模擬中，實現(xiàn)隨著抽樣分布隨機(jī)模擬的進(jìn)行而改變的動態(tài)模擬，彌補(bǔ)了傳統(tǒng)的蒙特卡羅積分只能靜態(tài)模擬的缺陷，是近年來廣泛應(yīng)用的統(tǒng)計計算方法。

結(jié)語：

馬爾可夫模型（Markov Model）是一種統(tǒng)計模型。它的原始模型馬爾可夫鏈，由俄國數(shù)學(xué)家馬爾可夫于1906年提出。運(yùn)用馬爾可夫鏈只需要最近或現(xiàn)在的動態(tài)資料便可預(yù)測將來。馬爾可夫鏈?zhǔn)桥c馬爾可夫過程緊密相關(guān)。馬爾可夫過程是研究離散事件動態(tài)系統(tǒng)狀態(tài)空間的重要方法，它的數(shù)學(xué)基礎(chǔ)是隨機(jī)過程理論。馬爾可夫模型在及人工智能之自然語言處理等領(lǐng)域應(yīng)用廣泛。