最近在看图模型中著名的HMM算法，对应的一些理论公式也能看懂个大概，就是不太明白怎样在一个具体的机器学习问题（比如分类，回归）中使用HMM，特别是一些有关状态变量、观察变量和实际问题中变量的对应关系，因此目前急需一个实际例子来加深对HMM算法的仰慕，大家如有好的例子来具体学HMM算法的话，欢迎分享！众所周知，著名的HMM开源库为Hidden Markov Model Toolkit（以下简称HTK

SIGNAL(7)                      Linux Programmer's Manual                      SIGNAL(7) NAME       signal - 有效信号的清单描       下面 列出 Linux 支持的 信号. 某些 信号 依赖于 体系结构(architecture).      

实验成功！本程序分为服务端与客户端，服务器建立一个共享内存区，用于存贮各个客户端发送过来的消息，服务器接收一个客户端登陆后，即开启一个子进程，原父进程返回等待新客户的登陆，子进程用于接收客户的消息，并把共享内存里面的全部的内容发送给客户端。为了便于处理数据的方便，在处理客户消息的子进程中再创建一个子进程，一个用于接收子进程消息，存于共享内存区；另一个子进程用于发送共享内存给客户端。

DTW为(Dynamic Time Warping,动态时间归准)的简称。应用很广，主要是在模板匹配中，比如说用在孤立词语音识别，计算机视觉中的行为识别，信息检索等中。可能大家学过这些类似的课程都看到过这个算法，公式也有几个，但是很抽象，当时看懂了但不久就会忘记，因为没有具体的实例来加深印象。      这次主要是用语音识别课程老师上课的一个题目来理解DTW算法。　　首先还是介绍下

HMM算法想必大家已经听说了好多次了，完全看公式一头雾水。但是HMM的基本理论其实很简单。因为HMM是马尔科夫链中的一种，只是它的状态不能直接被观察到，但是可以通过观察向量间接的反映出来，即每一个观察向量由一个具有相应概率密度分布的状态序列产生，又由于每一个状态也是随机分布的，所以HMM是一个双重随机过程。     HMM是语音识别，人体行为识别，文字识别等领域应用非常广泛。