Python Markov链项目 这只是我在Python中实现markov链的过程中所做的一个有趣的小项目。 这样做的目的是为IRC或其他消息传递服务提供一个可跟踪用户使用的单词并自动生成与每个用户相似的消息的机器人。 来自数学

级联仿射不变集成 MCMC 采样器。 “MCMC 锤子” gwmcmc 是 Goodman and Wear 2010 Affine 的实现不变集成马尔可夫链蒙特卡罗 (MCMC) 采样器。 MCMC采样启用贝叶斯推理。 许多传统 MCMC 采样器的问题是它们对于严重扩展的问题可能收敛缓慢，并且难以优化高维问题的随机游走。 这是 GW 算法真正擅长的地方，因为它是仿射不变的。 它可以在严重缩放的问题上实现更好的收敛。 很多开箱即用更简单，因此它名副其实的MCMC锤。 （此代码使用 Goodman and Wear 算法的级联变体）。 用法： [models,logP]=gwmcmc(minit,logPfuns,mccount,[Parameter,Value,Parameter,Value]); 输入： minit：每个步行者的初始值的 MxW 矩阵合奏。 （M：模型参数的数量。W：步行

该项目提供了Java中持续时间高阶隐马尔可夫模型（DHO-HMM）的实现。 它可以用JDK 5和6压缩。它被用于作者对普通话数字语音识别的研究。 该项目中有一些中文单词，恐怕最近我没有足够的时间翻译成英文。

无线物联网（WBAN）作为物联网（IOT）的重要组成部分以及设备到设备（D2D）通信的特殊情况，逐渐成为人们关注的焦点。 由于WBAN是一个以人体为中心的网络，因此传感器节点的能量受到严格限制，因为它们是由电量有限的电池供电的。 在每个数据收集中，仅安排一个传感器节点将其测量结果通过衰落信道直接传输到接入点（AP）。 我们提出了在公平性约束下动态选择哪个传感器应与AP通信以最大化网络寿命的问题，这是受约束的马尔可夫决策过程（CMDP）。 在动态规划中，通过Bellman方程获得最优寿命和最优策略。 所提出的算法定义了在不同程度的公平性约束下WBAN生命周期的限制性能。 针对获取全局信道状态信息（CSI）时实现开销较大的缺点，提出了采用局部CSI的分布式调度算法，节省了网络开销，简化了算法。 通过仿真证明，该调度算法可以在不同的信道条件下合理分配时隙，以平衡网络寿命和公平性。

本文使用一个两区制马尔可夫均值转换模型和贝叶斯吉布斯抽样非参数估计方法对深证成份指数月度收益率进 行了实证分析。研究表明，我国股票市场收益率可以划分成两状态：“高收益状态”和“低收益状态”；市场的“高收益状态”总是发生在股票市场上涨阶段。

三、状态的周期与遍历 1．周期状态 对于任意的 ，令 其中GCD表示最大公约数 则称 为周期态， 则称 为非周期态。 定理11 2．遍历状态 若状态i是正常返且非周期，则称i为遍历状态。 1 1 1/2 1/2 1/2 3 1 1/2 图4---2 4 5 2 1

生成一个状态个数大于100的马尔可夫链，状态之间的转移关系随机设定（例如某状态可以一步到达其他状态的比例为10%） 1）将状态空间按常返性和互通性进行分解 2）在1）的基础上对周期不可约马尔可夫链进行分解

图像分割是计算机视觉中的经典问题,在许多领域都有重要应用.由于图像信息存在不确定性,难以获得精确的分割结果,为应对图像分割中的不确定性问题,将证据理论这一不确定性建模与推理工具与马尔可夫随机场相结合,提出证据马尔可夫随机场(EMRF)模型,并基于此提出新的图像分割算法.EMRF利用证据标号场描述像素标号的含混性,以证据距离描述相邻像素间的标号关系,利用条件迭代模型(ICM)算法进行优化.实验结果表明,EMRF相较于传统马尔可夫随机场、模糊马尔可夫随机场和传统的基于证据理论的方法,能获得更好的分割效果.

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

使用基于隐马尔可夫模型的机器学习对 3 类问题进行一维矩阵分类。 它还包含一个基于矩阵的示例，输入样本的大小为 15 和 3 个特征 https://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html https://www.cs.ubc.ca/~murphyk/Software/HMM.zip 需要工具箱Matlab 的隐马尔可夫模型 (HMM) 工具箱由凯文墨菲撰写，1998 年。 最后更新：2005 年 6 月 8 日。 在 MIT 许可下分发 该工具箱支持对具有离散输出 (dhmm's)、高斯输出 (ghmm's) 或高斯输出混合 (mhmm's) 的 HMM 进行推理和学习。 高斯分布可以是完整的、对角线的或球面的（各向同性的）。 它还支持离散输入，如 POMDP。 推理例程支持过滤、平滑和固定滞后平滑。