在这个项目中,我们首先研究了基于高斯的隐马尔可夫随机场(HMRF)模型及其期望最大化(EM)算法。 然后我们将其推广到基于高斯混合模型的隐马尔可夫随机场。 该算法在MATLAB中实现。 我们还将此算法应用于彩色图像分割问题和 3D 体积分割问题。
2022-04-14 18:28:52 6.12MB matlab
1
嗯4 问题 ID: : 隐马尔可夫模型的 Baum-Welch 算法的实现。
2022-04-12 21:39:23 10KB Java
1
大一数据结构课程大作业,使用马尔可夫链生成随机文本,OJ测试时间大约3到5秒
2022-04-08 14:34:54 5KB markov
1
由于HMM是在马尔可夫链的基础上发展而来的,为了更好的理解HMM,我们先了解一下马尔可夫链的基本概念。 HMM的基本理论 HMM模型在实际应用时需要解决的三个问题 HMM在语音处理中的应用 隐含马尔科夫模型HMM(Hidden Markov Model)是一种识别算法,HMM的精髓在于:观察可测,状态隐含。 HMM是一个双内嵌式随机过程,即HMM是由两个随机过程组成,其中之一是Markov链,这是基本随机过程,它描述状态的转移,另一个随机过程描述状态和观察值之间的统计对应关系。 我们考察语音,也可以发现类似的情况。语音中当前的发音音素与下一个发音音素之间以某种概率发生转移。我们听到(观察到)的只能是发音后产生的语音波形信息,假如仅考虑语音的波形(而不是经过人的听觉分析),则很难知道该语音波形对应的音素信息是什么。
1
主要功能:故障树分析工具主要功能是静态故障树建模、动态故障树建模、定性分析、定量分析和仿真。 逻辑门类型:与门、或门、非门、异或门、顺序相关门、禁门、表决门、相同转移门、相似转移门、优先与门、顺序相关门、功能相关门、冷备件门、温备件门、热备件门 事件类型:顶事件、基本事件、底事件、未决事件、子树(扩展) 定性分析:提取静态故障树最小割集、提取动态故障树最小割序集 定量分析:顶事件发生概率、底事件结构重要度、底事件概率重要度、底事件相对重要度 仿真: 蒙特卡洛仿真。包括顶事件发生概率仿真、顶事件无故障时间仿真、底事件概率重要度仿真、底事件相对重要度仿真、顶事件不可靠度曲线仿真
1
markovify-Pythonic 的可扩展的 马尔可夫链发生器. 主要用以构建 Markov 模式的大型语料库, 生成随机的句子, 当然,理论上,可以用以其它应用
2022-04-04 23:16:02 284KB Python开发-自然语言处理
1
贝叶斯鲁棒隐马尔可夫模型 (BRHMM) 是一种用于分割序列多变量数据的概率模型。 该模型将数据解释为由一系列隐藏状态生成。 每个状态都是重尾分布的有限混合,具有特定于状态的混合比例和共享位置/分散参数。 该模型中的所有参数都配备有共轭先验分布,并使用与期望最大化实质相似的变分贝叶斯(vB)推理算法进行学习。 该算法对异常值具有鲁棒性并接受缺失值。 此提交包括一个测试函数,该函数生成一组合成数据并从这些数据中学习模型。 测试函数还绘制根据模型分割的数据,以及每次 vB 迭代后数据对数似然的变分下界。 如果您发现此提交对您的研究/工作有用,请引用我的 MathWorks 社区资料。 如果您有任何技术或应用相关问题,请随时直接与我联系。 指示: 下载此提交后,解压缩 MatLab 工作目录中的压缩文件并运行测试函数 (TestBRHMM.m) 进行演示。
2022-04-02 18:20:52 15KB matlab
1
提出一种基于运动趋势的移动对象位置预测算法,不仅借鉴马尔可夫模型思想对移动对象的历史活动轨迹进行建模,而且将对象的运动趋势作为位置预测的重要因素。以全体历史停留区域作为未来位置的候选,根据位置的特征,将结果分为预测位置和推荐位置。真实数据实验表明,算法在保证较高时间效率的同时,预测精度较同类算法提高近10%。
1
为解决传统隐马尔可夫股价行为预测模型对输入特征序列和隐含状态数目敏感,导致预测结果存在局部最优、误差较大的问题,设计了新的股票因子特征选择方法,包括对因子特征的筛选和特征数据预处理。结合贝叶斯信息规则确定模型最佳隐含状态数目,提出了一种优化股价行为预测性能的PRHMM模型。通过对比支持向量机、ARIMA模型,实验结果证明,所提出的预测算法相对传统预测模型,在股价行为预测中有更好的预测表现。
2022-03-30 13:33:42 253KB 隐马尔可夫模型
1
为分析时序网络演化速度对传播过程的影响,通过改进已有的时序相关系数定义,给出了一个网络演化速度指标;同时,提出了一个具有非马尔可夫性质的时序网络演化模型。在每个时间步,每一个给定的激活节点都以概率r在网络中随机选择一个节点,以概率1-r在该激活节点的原邻居中随机选择一个节点,并在该激活节点与所选节点间建立连边。模拟结果表明:网络模型参数r与网络演化速度指标之间有单调增的关系;同时,激活节点随机连边的概率r越大,网络传播范围就越广。由此可知:演化速度快的时序网络有利于网络传播;进一步地,网络拓扑结构的快速变化有利于信息的快速传播,但不利于抑制病毒传播。
1