馬氏鏈模型總結

2021-08-15 06:32:29 字數 3006 閱讀 2598

概念:描述一類重要的隨機動態系統(過程)的模型。該過程時間、狀態均為離散 的隨機轉移過程。

特點:

1.系統在每個時期所處的狀態是隨機的。

2.從一時期到下時期的狀態按一定概率轉移。

3.下時期狀態只取決於本時期狀態和轉移概率。即已知現在,將來與過去無關(無後效性)

馬氏鏈的基本方程

狀態:xn

=1,2

,...

k(n=

1,2,

...)

x n=

1,2,

...k

(n=1

,2,.

..

)狀態概率:ai

(n)=

p(xn

=i)(

i=1,

2,..

.k;n

=0,1

,2,.

..) ai(

n)=p

(xn=

i)(i

=1,2

,...

k;n=

0,1,

2,..

.)

其中 ∑k

i=1a

i(n)

=1∑ i=

1kai

(n)=

1轉移概率:pi

j=p(

xn+1

=j|x

n=i)

p ij

=p(x

n+1=

j|xn

=i

)其中pi

j≥0 pij

≥0

,  ∑k

j=1p

ij=1

,i=1

,2,.

..,k

∑ j=

1kpi

j=1,

i=1,

2,..

.,

k基本方程:ai

(n+1

)=∑k

j=1a

j(n)

pji ai(

n+1)

=∑j=

1kaj

(n)p

ji

i=1,2,…,k

馬氏鏈的兩個重要型別

正則鏈

從任一狀態出發經有限次轉移能以正概率到達另外任一狀態。

吸收鏈

存在吸收狀態(一旦到達就不會離開的狀態i, pi

i=1 pii

=1

),且從任一非吸收狀態出發經有限次轉移能以正概率到達吸收狀態。

使用模型:健康與疾病,鋼琴銷售的存貯策略,基因遺傳,等級結構。

隱馬爾可夫模型(hmm)

概念:隱馬爾可夫模型是馬爾可夫鏈的一種,它的狀態不能直接觀察到,但能通過觀測向量序列觀察到,每個觀測向量都是通過某些概率密度分布表現為各種狀態,每乙個觀測向量是由乙個具有相應概率密度分布的狀態序列產生。

特點:隱馬爾可夫模型是乙個雙重隨機過程—-具有一定狀態數的隱馬爾可夫鏈和顯示隨機函式集。

組成:隱馬爾可夫模型(hmm)可以用五個元素來描述,包括2個狀態集合和3個概率矩陣。

1.隱含狀態 s

這些狀態之間滿足馬爾可夫性質,是馬爾可夫模型中實際所隱含的狀態。這些狀態通常無法通過直接觀測而得到。(例如s1、s2、s3等等)

2.可觀測狀態 o

在模型中與隱含狀態相關聯,可通過直接觀測而得到。(例如o1、o2、o3等等,可觀測狀態的數目不一定要和隱含狀態的數目一致)

3.初始狀態概率矩陣 π

表示隱含狀態在初始時刻t=1的概率矩陣,(例如t=1時,p(s1)=p1、p(s2)=p2、p(s3)=p3,則初始狀態概率矩陣 π=[ p1 p2 p3 ].

4. 隱含狀態轉移概率矩陣 a

描述了hmm模型中各個狀態之間的轉移概率。 其中a

ij=p

(sj|

si),

1≤i,

,j≤n

. aij

=p(s

j|si

),1≤

i,,j

≤n

.表示在 t 時刻、狀態為 si

s

i的條件下,在 t+1 時刻狀態是sj

s

j的概率。

5. 觀測狀態轉移概率矩陣 b (英文名為confusion matrix,直譯為混淆矩陣)

令n代表隱含狀態數目,m代表可觀測狀態數目,則: bi

j=p(

oi|s

j),1

≤i≤m

,1≤j

≤n. bij

=p(o

i|sj

),1≤

i≤m,

1≤j≤

n.

表示在 t 時刻、隱含狀態是 sj

s

j條件下,觀察狀態為oi

o

i的概率。

令n代表隱含狀態數目,m代表可觀測狀態數目,則: bi

j=p(

oi|s

j),1

≤i≤m

,1≤j

≤n. bij

=p(o

i|sj

),1≤

i≤m,

1≤j≤

n.

表示在 t 時刻、隱含狀態是 sj 條件下,觀察狀態為 oi 的概率。

隱馬爾可夫模型以它在時間上的模式識別所知,如語音,手寫,手勢識別,詞類的標記,樂譜,區域性放電和生物資訊學應用,氣象氣候預報

學習筆記25馬氏鏈模型

前段時間擔任協會負責人,在搞matlab培訓,又報了一堆競賽。最近幾個星期有空學習和記錄。上次國賽全國二等獎的目標沒達到,拿了個省一等獎,繼續努力。下面給出圖中沒有顯示的 給出注釋。通過寫注釋理解 以及演算法 clc,clear format rat 資料格式是有理分數 fid fopen msda...

用馬氏鏈解決市場份額問題

用lingo解答市場份額的 如下 model 新產品的市場 sets prod a b c d p link prod,prod t endsets data 轉移矩陣概率 t 0.75 0.1 0.05 0.1 0.4 0.2 0.1 0.3 0.1 0.2 0.4 0.3 0.2 0.2 0.3...

馬氏距筆記

馬氏距離與其推導這篇部落格中所提到的 由於將資料集旋轉後資料的各維度之間是不相關的 xn m求出的協方差中的,非對角元素代表的是在該樣本矩陣中,不同維度之間的影響。而馬氏距離與其推導這篇部落格是說協方差的非對角元素為0 各維度之間是不相關的 那麼協方差的非對角元素為0本身代表什麼意思?它是一種統計意...