不确定有穷自动机 NFA 与 隐马尔可夫模型 HMM 比较

不确定有穷自动机 NFA 定义为一个五元组
如下：


比如说下面的NFA:

其状态转移图如下：

∑*上的符号串t被NFA M接受也可以这样理解<o:p></o:p>

对于Σ﹡中的任何一个串t，若存在一条从某一初态节点到某一终态节点的道路，且这条道路上所有弧的标记依序连接成的串(不理采那些标记为ε的弧)等于t，则称t可为NFA M所识别(读出或接受)。若M的某些节点既是初态节点又是终态节点，或者存在一条从某个初态节点到某个终态节点的道路,其上所有弧的标记均为ε，那么空字可为M所接受。<o:p></o:p>

再来看一下隐马尔可夫模型 HMM的相关定义
<p:colorscheme colors="#0066ff,#ffffff,#000000,#ffff00,#00cccc,#ff33cc,#ff4568,#ccecff"></p:colorscheme>

n用模型五元组     ＝（ N, M, π ，A，B）用来描述HMM，或简写为    =(π ，A，B)

<p:colorscheme colors="#0066ff,#ffffff,#000000,#ffff00,#00cccc,#ff33cc,#ff4568,#ccecff"></p:colorscheme>

参数	含义
N	状态数目
M	每个状态可能的观察值数目
A	与时间无关的状态转移概率矩阵
B	给定状态下，观察值概率分布
π	初始状态空间的概率分布

NFA     由一个状态可能会转移到不同的状态；
HMM    由一个状态可能会转移到不同的状态；

NFA     转移到不同的状态由输入字母确定
HMM   转移到不同的状态由状态转移概率矩阵决定

NFA     中的输入字母与 HMM 的观察值是非常类似的

对于一个给定的字符串
NFA     给出的判断是 接收该串（1）或者拒绝该串（0）
HMM    给出的判断是  该观测值序列（串）出现的概率（01之间）

针对同一个输入

NFA状态转移不确定

HMM状态转移概率是确定的

 
NFA     状态转移函数通过固定规则指定
HMM    状态转移概率通过统计学习获得

最大的差别就是：

NFA是规则的

而HMM是统计的

暂时就想到这么多了

想到了再来完善