问题标签 [markov-models]

我想估计一个马尔可夫切换模型，如下所示：http: //www.chadfulton.com/posts/mar_hamilton.html

但是，当我尝试导入函数以适应模型时，即

我收到以下错误消息：

我能做些什么来解决这个错误？

给定一个马尔科夫模型，它有一个名为 的开始状态S和一个名为 的退出状态F，该模型可以表示为有向图，并带有一些约束：

1. 每条边都有一些权重落在 (0,1] 范围内作为转移概率。

2. 从每个节点出来的边的权重总和为 1。

问题是如何对开始状态和退出状态之间的路径进行排序？或者，更准确地说，如何找出概率最高的路径？

一方面，权重是概率，因此路径越长，产品越小，因此一种启发式策略是选择更短的路径和更大的权重候选；但是这个问题可以转化为最短路径问题还是使用一些量身定制的维特比算法或一些DP算法来解决？

我有一个包含 40 个状态的转换矩阵，它给出了从一个状态移动到另一个状态的转换概率。我们如何计算在 n 个时间步之后系统将处于什么状态。

我有一个吸收马尔可夫链，假设我有状态
s={START, S1, S2, END1, END2}
状态 Start 将始终是链的起点，但是不可能返回到这个状态一旦你离开它。
我很好奇转换矩阵对于吸收的高阶马尔可夫链会是什么样子。

现在想象我设置二阶马尔可夫链转换矩阵如下：

__________C1 C2 C3 开始 END1 END2
C1,C1
C1,C2
C1,开始
C1, END1
C1, END2
。
.
.

例如在 C1、START 上会是什么样子？对于所有列，这将为零，但是总和为 1 所需的行不是吗？我只是从矩阵中删除它吗？
还有对于 C1、END1 的情况如何，这一行也将全部为零？另一边的状态 END1 和 END2 一旦你进入它就不可能离开，即它们正在吸收。

我想知道对于二阶或 k 阶马尔可夫链来说，转换矩阵会是什么样子。我在这个问题上找不到任何好的文献，请提供一些好的文献。

我想实现一个经典的马尔可夫模型问题：训练 MM 学习英文文本模式，并用它来检测英文文本与随机字符串。

我决定使用hmmlearn，所以我不必自己写。但是我对如何训练它感到困惑。似乎需要 HMM 中的组件数量，但英文的合理数量是多少？另外，我可以不做一个简单的高阶马尔可夫模型而不是隐藏吗？据推测，有趣的属性是 ngram 的模式，而不是隐藏状态。

第一次在这里提出问题，我会尽力明确 - 但如果我应该提供更多信息，请告诉我！

我目前正在使用R（版本 3.3.3）中的“MSGARCH”包。我正在尝试计算 288 个 MS-GARCH 模型的滚动 VaR，但这似乎非常耗时。我知道有些包允许使用 R 中的所有内核，但我不知道如何使用它们，尤其是在 Windows 7（64 位）上。

其中y是汇率，spec.list()包含 288 个 MS-GARCH 规范。

是否有可能：

1. 使用所有核心制作 R 拟合模型；

2. 将模型的规格分成几组，并将它们并行安装在所有内核上。

   感谢所有贡献者！

我正在研究 POMDP 文件格式并放弃这个和许多其他链接。我已经理解了所有内容，但我无法理解文件第二行中的 Value 代表什么。它的值是奖励或成本。在别处找不到答案。感到困惑，因为应该可以在一个文档中包含成本和奖励，不是吗？为什么我必须指定其中之一？在文件的其余部分中也没有任何地方没有使用该值。

我对 Java 很陌生，我需要使用马尔可夫模型来分析文本（字符串）输入。老实说：这是为了一个任务。我正在寻找学习如何回答它，而不仅仅是复制和粘贴代码。

我正在使用的代码（已给出且无法更改）如下：

确切的问题是：完成构造函数的代码，它接受一个整数 k 和一个输入字符串 s，并初始化 k 阶马尔可夫模型所需的任何数据结构。

我们还使用 n-gram 分析器，文本应该环绕（例如，对于“abbbc”，3-gram 将是 abb、bbb、bbc、bca 和 cab）。如果您需要更多信息，请告诉我！同样，我不想复制和粘贴代码，只是想要一点帮助来理解如何解决它。

提前致谢。

使用该markovchain软件包，我正在处理一个数据集，该数据集由 23k 个人每个月的六个月观察组成。

当我使用该功能安装 DTMC 时markovchainFit，该功能似乎想要容纳我的 23k 个人中的一个。如何在 23k 6 周期序列的全部人口中拟合 DTMC？

（仅供参考 - 我能够计算/绘图/描述/等。MC就好了 - 我只想能够生成一些干净的预测并利用包的其余功能，为此我似乎需要一个合适的 MC 对象？）

那么：如何使用markovchain相同 6 周期序列的一组观察值来拟合 MC 对象或另一个包，这将让我对未来的步骤产生一些预测？

我正在使用隐马尔可夫模型来解决股市预测问题。我的数据矩阵包含特定安全性的各种功能：

我适合一个简单的 GaussianHMM：

使用模型 (λ)，我可以对观察向量进行解码，以找到与观察向量对应的最可能的隐藏状态序列：

上面，我已经解码了包含测试集中前五个实例的观察向量 O _t = (O ₁ , O ₂ , ..., O _{d ) 的隐藏状态序列。}我想估计测试集中第六个实例的隐藏状态。这个想法是迭代第六个实例的一组离散的可能特征值，并选择具有最高似然性 argmax = P(O ₁ , O ₂ , ..., O _d+1 | λ的观察序列 O _t+1）。_{一旦我们观察到 O d+1}的真实特征值，我们可以将序列（长度为 5）移动 1 并重新做一遍：

问题是当我解码观察向量 O _{t+1时，具有最高似然性的预测几乎总是相同的（例如，具有最高似然性的估计总是具有 O d+1}的特征值等于 [ 0.04 0.04 0.04] 和是隐藏状态[0]）：

我完全有可能误解了 的目的mdl.decode，从而错误地使用了它。如果是这种情况，我怎样才能最好地迭代 O _d+1的可能值，然后最大化 P(O ₁ , O ₂ , ..., O _d+1 | λ)？