一、比較全面的MATLAB自帶HMM Toolbox的分析介紹，可以參考http://blog.csdn.net/whiteinblue/article/details/40625291。
hmmgenerate: 已知轉移矩陣A和混淆矩陣B，隨機生成定製長度的觀察序列和隱層序列。
hmmestimate: 已知觀察序列和隱層序列，最大似然估計轉移矩陣A和混淆矩陣B。
1）hmmgenerate:已知轉移矩陣A和混淆矩陣B，隨機生成定製長度的觀察序列和隱層序列。
[seq, states]=hmmgenerate(len,TRANS,EMIS)
len: 觀察序列和隱層序列的長度
TRANS：轉移矩陣A
EMIS：混淆矩陣B
[seq, states]=hmmgenerate(len,TRANS,EMIS,’Symbols’,{‘One’,’Two’},’Statenames’,{‘1’,’2’,’3’})
Symbols： 觀察序列的符號
Statenames：隱層序列的符號
2) hmmestimate: 已知觀察序列和隱層序列，最大似然估計轉移矩陣A和混淆矩陣B。
[seq, states] = hmmgenerate(len,TRANS,EMIS)
[TRANS1, EMIS1] = hmmestimate(seq,states)
只能輸入一組觀察序列和隱層序列，不能對比較多組的觀察序列和隱層序列進行估計。
3)hmmtrain: 已知隱層序列，初始猜測矩陣A和B，然後最大似然估計轉移矩陣A和混淆矩陣B。
seq = hmmgenerate(len, TRANS, EMIS);
[estTR, estE] = hmmtrain(seq, initTR, initE);
initTR, initE分別爲初始猜測A和B。其中輸入seq就是隱層序列，還是seq越長，hmmtrain對A和B的估計結果越準確。
- 和產生的訓練數據有關，如果一直是同一組訓練數據，肯定train的結果是一樣的。
- 如果是每次隨機產生訓練數據的話，肯定是產生的數據長度越長，越能反應A和B的特點。
- 這個hmmtrain受initTR和initE的影響很大，估計的A和B基本在initTR和initE周圍浮動。
4) hmmviterbi: 已知矩陣A，B和觀察序列，給出生成觀察序列最可能的隱層序列。seqv和statesv是隨機產生的，但是estStates是估計的最可能產生觀察序列的隱層序列。
[seqv, statesv] = hmmgenerate(100, TRANS, EMIS);
estStates = hmmviterbi(seqv, TRANS, EMIS);
5) hmmdecode: 計算觀察序列的後驗狀態概率，計算第i個狀態在第j步出現的概率。所以，hmmdecode得到的後驗狀態概率是num(states)*len的矩陣。
[seqd, statesd] = hmmgenerate(100, TRANS, EMIS);
pStates = hmmdecode(seqd, TRANS, EMIS);
Conclusion：通過具體實驗我們發現matlab工具箱中提供的函數，在很多情況下不能夠很好的估計結果，而且現象的隨機性越大，估計誤差越大；這主要是由於觀察樣本不足和函數算法本身的優化問題，因爲viterbi等hmm算法，都是局部尋優算法，很多時候，並不是全局的最優算法；所以在目前情況下，可以通過增加觀察序列的個數和改進算法來提高估計的準確率。
二、我需要解決的問題是，在有多組隱層序列的基礎上計算 狀態的先驗概率和轉移矩陣，或者是在有多組觀察序列的基礎上計算 狀態的先驗概率，轉移矩陣和混淆矩陣。