markov-chains

1热度

1回答

我有状态K = 8个状态转移概率矩阵，反式= 0.9245 0.0755 0 0 0 0 0 0 0.0176 0.9399 0.0425 0 0 0 0 0 0 0.0290 0.9263 0.0447 0 0 0 0 0 0 0.0465 0.9228 0.0307 0 0 0 0

9热度

1回答

用Neo4J模拟马尔可夫链

A Markov chain由一组状态组成，它可以以一定的概率转换到其他状态。通过为每个状态创建一个节点，为每个转换创建一个关系，然后用适当的概率注释转换关系，可以很容易地在Neo4J中表示马尔可夫链。但是，你可以模拟马尔可夫链使用Neo4J？例如，Neo4J是否可以强制以某种状态开始，然后根据概率转换到下一个状态和下一个状态？ Neo4J能否打印出它通过这个状态空间的路径？也许这是一个简单

-1热度

1回答

如何计算二阶的转移概率矩阵马尔可夫链

我有一个像数据在此 Broker.Position的形式 IP BP SP IP IP .. 我想计算这种形式的二阶转换矩阵 BP IP SP BPBP SPSP IPIP 黑花生衣色素 SPBP IPSP SPIP BPIP IPBP

2热度

2回答

在不同状态序列长度下估计MATLAB中的马尔可夫链转移矩阵

我正在尝试在MATLAB中构建马尔可夫链的转移矩阵;我有几个不同的观察序列（所有不同的长度），我需要使用这些序列来生成转换矩阵。 Constructing a multi-order Markov chain transition matrix in Matlab向我展示了如何用单个观测序列建立转换矩阵。我怎样才能构建一个使用不同长度的观测？一个例子可以是一个序列是1,2,3,4而另一个是4,5

1热度

3回答

中的R

转换一个矩阵划分成马尔科夫转移矩阵我有0和1之间用值的矩阵垫（这样可以概率）如下： > t <- c(22, 65, 37, 84, 36, 14, 9, 19, 5, 49) > x <- t/max(t) > mat <- x%*%t(x) 我现在想要这个矩阵B转换为马尔科夫转移矩阵，即具有每行的元素加起来1.我除以rowSums矩阵实现这一点： > y <- mat/rowSums(

1热度

1回答

度马尔可夫链的自由

我有一组长度为4，5000串，其中该串中的每个字符可以是A，B，C或D. 0阶马尔可夫链（无依赖关系）构成4 * 1列的列A，B，C，D。 1阶马尔可夫链（pos j取决于先前的位置i），生成行Ai的4 * 4矩阵，Bi，Ci，Di;和Aj，Bj，Cj，Dj的列。 2阶马尔可夫链（pos k取决于pos j和pos i），生成一个尺寸为Ai，Bi，Ci，Di的4×4×4矩阵; Aj，Bj，Cj，D

2热度

1回答

不正确的概率模拟马尔可夫链

我的转移概率矩阵是这样 BP IP SP BPBP 0.4586757 0.3772354 0.1640889 IPBP 0.3489484 0.4746654 0.1763862 SPBP 0.3756522 0.4162319 0.2081159 BPIP 0.3646061 0.4640000 0.1713939 IPIP 0.

2热度

1回答

对二级结构预测

前后算法我想用于蛋白质二级结构预测HMM（前进后退模型）。基本上，一个三态模型用于：美国= {H =α螺旋，B =β片层，C =线圈} ，并且每个状态具有的发射概率PMF 1 * 20（为20个氨基酸）。在前向后向模型上使用序列的“训练集”后，期望最大化收敛为最佳转换矩阵（三个状态之间3乘3）和每个状态的发射概率pmf。有谁知道被确定的转换矩阵和发射概率的“正确”值的序列的数据集（优选非常小

2热度

3回答

关于使用马尔可夫链算法生成文本

我正在阅读Brian W. Kernighan和Rob Pike编写的“编程实践”一书。第3章提供的算法马尔可夫链方法读取源文本，并用它来生成随机文本“阅读好”（意为输出更接近正确的冠冕堂皇不是乱码英文）： set w1 and w2 to the first two words in the source text print w1 and w2 loop: randomly ch

1热度

1回答

隐藏马尔可夫模型的下一个状态只取决于前一个状态？前n个州呢？

我正在研究原型框架。基本上我需要基于一些关于他的传感器数据，每一个人的生活方式模型或配置文件/她，如GPS，运动，心脏率，周围环境读数，温度等该模型或简介是个人生活方式模式的知识表示。也许是一个概率图。我想使用隐马尔可夫模型来实现这一点。由于HMM中的状态可以是工作，睡眠，休闲，运动等。观察可以是一组各种传感器数据。我对HMM的理解是，下一个状态S（t）只取决于前一个状态S（t-1）。但实