该研究提出了化学 Baum-Welch 算法，一种学习隐马尔可夫模型（HMM）参数的新反应网络模型，用于分子通信系统和分子多智能体系统，其反应网络模型每次仅更改一种分子的一种物种到另一种分子，借鉴生化途径中徒劳循环的设计。该算法有望加速 HMM 的学习过程，同时能够保持其稳定性。

Jun, 2019

本文通过扩展树状数据上的隐马尔可夫模型 (HMMs) 框架，专注于解决具有相互关联分支的树状结构数据的场景，研发了一种能够高效解决似然、解码和参数学习问题的动态规划算法，具有多项式规模计算可行性且不受下溢问题的影响，为分析复杂生物数据提供了实用工具，同时推进了对树状 HMMs 的理论理解。

Jun, 2024

本研究重新探讨使用最新的神经模型方法实现隐藏马尔可夫模型（HMM）规模化的挑战，提出了一种方法来快速有效地在大规模状态空间中对 HMM 进行精确推断、紧凑参数化以及有效规范化，取得的实验证明，该方法比之前的 HMM 和 n-gram 方法更准确，为实现最先进的神经模型的性能作出了贡献。

Nov, 2020

本文提出了一种称为变分分层 EM (VHEM) 的算法，用于基于分层 EM 算法 (HEM) 对 HMM 进行聚类。该算法将给定的 HMM 集合聚类成相似的 HMM 组，并用集群中的 HMM 表示集群，以便更好地在时序数据的各种任务上使用。结果显示，VHEM 能够改善模型鲁棒性、减少学习时间和内存需求。

Oct, 2012

本文提出了一种基于概率推理的在线计划识别方法，采用抽象隐马尔可夫模型（AHMM）作为计划执行模型，结合 Rao-Blackwellised 粒子滤波器构建高效的混合推理方法，从而实现了多层次的动态计划识别。

Jun, 2011

提出了一种名为 Pyramidal Hidden Markov Model (PHMM) 的模型，通过采用金字塔式堆叠的方式自适应地识别长期多步随机状态，能够有效处理非平稳和嘈杂数据，建立更准确、全面的长期依赖性进行时间序列预测，实验证明该模型在多元时间序列数据上相比竞争对手有更好的性能。

Oct, 2023

本文针对非齐次隐马尔科夫模型的模型选择问题，提出一种基于自适应模拟退火期望最大化算法的联合优化方法。

Dec, 2019

本文提出了一种基于高阶马尔可夫统计的非负矩阵分解的 HMM 学习算法，该算法支持对 HMM 的循环状态数目进行估计，并迭代非负矩阵分解算法以改善学习到的 HMM 参数。

Sep, 2008

本文提出了一种学习算法来从数据中估计 HQMM 的参数，该算法可以模拟经典的 HMM 并放宽了在量子电路上建模 HMM 的限制，同时在合成数据上的试验表明，我们的算法可以学习与真实 HQMM 相同数量状态和预测精度的 HQMM，而用 Baum-Welch 算法学习的 HMM 则需要更多状态才能匹配预测精度。

Oct, 2017

本文介绍了嵌入的隐马可夫模型（EHMM）采样方法，一种用于非线性非高斯状态空间模型状态推断的马尔科夫链蒙特卡罗（MCMC）技术，并介绍了一种 PMCMC 方法，通过调整 PMCMC 算法在 EHMM 框架下，我们提出了一种新的粒子滤波器型（PF）算法用于状态推断，这些算法的实验在低到高维度的状态空间模型中进行比较，同时对于可能成为一些较低维情况下对标准 PF 的有趣替代品的新型 PF 算法进行了论证。

Oct, 2016