HSMM 即隐半马尔可夫模型，又称连续可变持续的HMM、分段模型，是一种能够通过可观测数据很好地描述真实空间统计特性的随机模型。
基本介绍
- 中文名：隐半马尔可夫模型
- 外文名：HSMM
- 又称：连续可变持续的HMM
- 属性：描述真实空间统计特性
简介
HSMM(hid-den sem-iMarkovmodels)是隐半马尔可夫模型的缩写，是HMM（隐马尔可夫模型）的一种扩展模型。隐半马尔可夫模型(HSMM)是考虑状态驻留机率分布为显式的一种HMM,是在已定义的隐马尔可夫模型的结构上加入时间组成部分,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,在解决现实问题中HSMM提供更好的建模能力和分析能力，改进了模式分类能力,提高了模式分类的精度。与常规HMM中一个状态只对应一个观测值不同,HSMM中一个状态对应一节(segment)观测值。
数学描述
HSMM的特性是由以下参数描述的,初始状态机率分布矢量( )、状态转移机率矩阵(A)、状态驻留分布(D)、观察值机率矩阵(B),因此可以记HSMM为
λ=( ，A，D，B)。
其中初始分布P与常规HMM相同,状态转移机率矩阵(A) ，与常规HMM基本相同,各状态的观察机率密度函式(对离散HMM来说是机率分布函式)B与常规HMM相同,D为每个巨观状态的状态驻留最大时间,用机率值Pi(d)(i= 1,2,,,L)描述状态驻留时间。
优点
与 HMM 相比，HSMM 具有两大优点：
（1）HSMM 克服了因马尔可夫链的假设造成 HMM 建模所具有的局限性。在解决现实问题中，HSMM 提供更好的建模能力和分析能力，因此，HSMM 改进了诊断能力，在故障诊断中具有更好的分类精度，提高了诊断的準确性；
（2）HSMM 可以直接进行预测。因此 HSMM 与HMM 相比，更适合于机械设备的状态识别与故障预测，HSMM 已经成功套用到了对液压泵、UH-60A 黑鹰直升机的传动装置的故障预测中。
