python参数估计_python – PyMC：马尔可夫系统中的参数估计

一个简单的Markow链

假设我们想要估计系统的参数,以便我们可以在时间步长t 1预测系统的状态,给定时间步t的状态. PyMC应该能够轻松应对这一问题.

让我们的玩具系统由一维世界中的移动物体组成.状态是对象的位置.我们想要估计潜在变量/对象的速度.下一个状态取决于先前的状态和潜在的变量速度.

# define the system and the data

true_vel = .2

true_pos = 0

true_positions = [.2 * step for step in range(100)]

我们假设我们的观察中有一些噪音(但这并不重要).

问题是：如何模拟下一个状态对当前状态的依赖性.我可以为转换函数提供参数idx以在时间t访问位置,然后在时间t 1预测位置.

vel = pymc.Normal("pos", 0, 1/(.5**2))

idx = pymc.DiscreteUniform("idx", 0, 100, value=range(100), observed=True)

@pm.deterministic

def transition(positions=true_positions, vel=vel, idx=idx):

return positions[idx] + vel

# observation with gaussian noise

obs = pymc.Normal("obs", mu=transition, tau=1/(.5**2))

但是,索引似乎是一个不适合索引的数组.可能有更好的方法来访问以前的状态.