马尔科夫模型的一些理解

本文介绍了马尔科夫模型的基本概念,包括状态转移矩阵和稳态分布,并通过预测球队胜率和生成激活地图的案例,展示了马尔科夫模型在实际问题中的应用。在球队胜率预测中,定义失败、胜利和平局为状态,利用历史数据计算状态转移矩阵和稳态;在视觉显著性中,马尔科夫模型被用来融合不同特征图生成 saliency map,通过对像素节点的投票过程模拟状态转移。
摘要由CSDN通过智能技术生成

数学上的定义即使看明白,我也无法记忆下来,目前我的理解是: 已知系统t时刻状态P(t), 状态间转移的概率矩阵是M(P,Q),其中每个元素M(p,q)表示t时刻处于状态q,t+1时刻处于状态p的概率. 那么有
P(t+1)=M×P(t) P ( t + 1 ) = M × P ( t ) 当上式中的 t+ t → + ∞ 时,引入个稳态分布的概念,即

P(t)=P(t+1)
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值