隐马尔可夫链

最新推荐文章于 2024-07-16 21:02:38 发布

思诺学长-刘竞泽

最新推荐文章于 2024-07-16 21:02:38 发布

阅读量1k

点赞数 24

分类专栏：分布式系统文章标签：机器学习算法人工智能

本文链接：https://blog.csdn.net/weixin_65190179/article/details/136436506

版权

分布式系统专栏收录该内容

7 篇文章

订阅专栏

1 马尔可夫链

马尔科夫链（Markov Chain）是一种数学模型，它描述了一系列可能事件的概率，其中每个事件的发生仅依赖于前一个事件的状态。这一特性称为“无记忆性”或“马尔可夫性质”。我将用一个简单的天气预测模型作为例子来解释马尔科夫链。

1.1 天气预测模型

假设我们有一个非常简化的天气系统，它只包含两种状态：晴天（Sunny）和雨天（Rainy）。我们用马尔可夫链来预测明天的天气，依据只有今天的天气状况。这里的状态就是指天气的情况（即晴天或雨天）。

我们需要定义的是状态转移概率，即今天天气状况下，明天天气变化的概率。转移概率可以用以下的矩阵表示：

        | 当前\明天 | 晴天（S） | 雨天（R） |
        | ------------- | -------------- | -------------- |
        | 晴天（S）|. 0.9 | 0.1 |
        | 雨天（R)  | 0.5 | 0.5 |

        这个转移概率矩阵可以这样理解：
        如果今天是晴天（S），那么明天继续是晴天的概率是90%（0.9），变为雨天的概率是10%（0.1）。
        如果今天是雨天（R），那么明天变成晴天的概率是50%（0.5），继续是雨天的概率也是50%（0.5）。

这个模型就是一个简单的马尔可夫链示例。在这个模型中，我们假设天气的变化仅依赖于当前的天气状态，并不依赖于更早以前的天气情况。这就是所谓的无记忆性或马尔可夫性质。

1.2 更复杂的天气预测模型

这个马尔科夫链模型是一个关于天气状态的简单示例。在这个模型中，每天的天气可以是晴天（Sun）、多云（Cloudy）或雨天（Rain）。状态转移图显示了每种天气状态转换到另一种状态的概率。这些概率表示在给定今天的天气情况下，明天天气状况的可能性。

让我们更详细地分析这个模型：

1. 晴朗（Sun）状态开始的转移概率：

                - 有50%的概率明天仍然是晴朗。
                - 有20%的概率明天会变多云。
                - 有30%的概率明天会下雨。

2. 多云（Cloudy）状态开始的转移概率：

                - 有20%的概率明天会变晴朗。
                - 有10%的概率明天会下雨。
                - 根据马尔科夫链的性质，多云状态变为其他两个状态的总概率是30%（0.2+0.1），这意味着保持多云状态的概率是70%（1-0.3）。

3. 雨天（Rain）状态开始的转移概率：

                - 有60%的概率明天会变晴朗。
                - 有30%的概率明天会变多云。
                - 有10%的概率明天继续下雨。

基于上述信息，我们可以写出这个马尔科夫链的转移矩阵。转移矩阵通常是方形的，行和列分别代表当前状态和下一个状态，矩阵中的每个元素表示相应的转移概率。

对于我们的天气模型，转移矩阵如下：

| 当前\明天 | 晴朗（S） | 多云（C） | 雨天（R） |
| -------------- | ------------- | --------------- | -------------- |
| 晴朗（S） | 0.5 | 0.2 | 0.3 |
| 多云（C） | 0.2 | 0.7 | 0.1 |
| 雨天（R） | 0.6 | 0.3 | 0.1 |

在这个矩阵中，行代表当前的天气状态，列代表明天可能的天气状态。每个单元格中的数字代表从行状态转移到列状态的概率。例如，矩阵中的第一行表示如果今天是晴天，那么明天有50%的概率还是晴天，20%的概率变为多云，30%的概率下雨。

无记忆性：马尔科夫链的一个关键特性是“无记忆性”，即明天的天气只依赖于今天的天气状态，而与过去的天气状态无关。

转移矩阵的每一行之和必须为1：因为概率必须覆盖所有可能的未来状态，所以每一行的概率加起来必须等于100%。

时间齐次性：在这个模型中，转移概率不随时间变化，即它们是恒定的。