马尔可夫链子

马尔可夫过程是随机过程的例子 - 生成后果的随机序列或状态根据某些概率。马尔可夫进程通过无记忆 - 他们的下一个状态仅取决于他们的当前状态，而不是在那里导致它们的历史。马尔可夫工艺的型号用于各种应用，从日常股票价格用于染色体中基因的位置。

Markov模型与A的视觉表示状态图，如下面的那个。

图中的矩形表示您尝试模型的过程的可能状态，箭头表示状态之间的转换。每个箭头上的标签表示该转换的概率。在该过程的每个步骤中，模型可以生成输出，或排放，取决于它的状态，然后转换到另一个状态。马尔可夫模型的一个重要特征是下一个状态仅取决于当前状态，而不是导致当前状态的转换历史。

例如，对于一系列硬币折叠，两种状态是头部和尾部。最近的硬币折腾决定了模型的当前状态，每个后续折腾都决定了到下一个状态的转换。如果硬币是公平的，则过渡概率都是1/2。发射可能只是当前状态。在更复杂的模型中，每个州的随机过程将产生排放。例如，您可以滚动模具以在任何步骤中确定发射。

马尔可夫链子是带有离散态的马尔可夫模型的数学描述。马尔可夫链的特点是：

马尔可夫链开始了初始状态一世_0.在步骤0。然后链转换到州一世₁概率有 $${\mathrm{T.}}_{1{\mathrm{一世}}_1}$$，并发出输出 $${\mathrm{S.}}_{{\mathrm{K.}}_1}$$概率有 $${\mathrm{E.}}_{{\mathrm{一世}}_1{\mathrm{K.}}_1}$$。因此，观察状态序列的可能性 $${\mathrm{一世}}_1{\mathrm{一世}}_2\mathrm{......}{\mathrm{一世}}_{\mathrm{R.}}$$和排放序列 $${\mathrm{S.}}_{{\mathrm{K.}}_1}{\mathrm{S.}}_{{\mathrm{K.}}_2}\mathrm{......}{\mathrm{S.}}_{{\mathrm{K.}}_{\mathrm{R.}}}$$在第一R.是步骤，是

相关话题

• 隐藏的马尔可夫模型（嗯）