马尔科夫预测法2.pptVIP

马尔科夫预测法 第一节 基本原理 一、基本概念 1.随机变量 、 随机函数与随机过程 一变量x，能随机地取数据 允许的范围 ,而变量x取每一个数值或某一个范围内的值，都有一个概率值与之对应，那么称x为随机变量。 假定随机变量的可能值xi发生概率为Pi 即 P x xi Pi 对于xi的所有n个可能值，有离散型随机变量分布列： ∑Pi 1 对于连续型随机变量，有 ∫P x dx 1 在试验过程中，随机变量可能随某一参数（不一定是时间）的变化而变化. 如测量大气中空气温度x x h ,随高度变化。这种随参变量而变化的随机变量称为随机函数。随机变量的本质是函数。而以时间t作参变量的随机函数称为随机过程。 也就是说：随机过程是这样一个以时间t作为参变量的随机函数。 2、马尔科夫过程 随机过程中，有一类具有“无后效性”性质，即当随机过程在某一时刻to所处的状态已知的条件下，过程在时刻t to时所处的状态只和to时刻有关，而与to以前的状态无关，则这种随机过程称为马尔科夫过程。 即，将来与过去无关，只与现在有关。 无后效性：ito为确知,it t to 只与ito有关。这种性质又叫马尔科夫假设。 简例： x t-1 为大米在粮仓中t-1月末的库存量，是已知的，大米在粮仓中t月末的库存量为x t x t x t―1 —y t +G t t月的转出量 t―1月末库存量 G t 为当月转入量 x t 可看作一个马尔科夫过程。 3、马尔科夫链 时间和状态都是离散的马尔科夫过程称为马尔科夫链。例：蛙跳问题 假定池中有n张荷叶，编号为1，2，3,……,n，即蛙跳可能有n个状态（状态确知且离散）。青蛙所属荷叶，为它目前所处的状态；因此它未来的状态，只与现在所处状态有关，而与以前的状态无关（无后效性成立） 基本定义 在一个n*n维的棋盘中， 有n2个小方格， 开始一共有K种颜色随机的分配在这n2个小格子里面， 每次从这些格子里面随机选出一个格子，比如说是格子A， 再从它周围的8个格子中随机的选出一个， 将选出的那个格子的颜色变成格子A的颜色。?这样进行无数次以后会有什么结果呢？ 他们是否还想最开始那样杂乱无章呢？ 可以用计算机来模拟一下这个有意思的过程。 我做了一个20乘20的格子矩阵， 开始的时候一共有红，黄， 蓝， 灰，绿五种颜色， 随机的分配到这400个格子中间。 然后每次再按照踏脚石模型的规则来随机的选择方块。 可以看到格子中的颜色的数量在逐渐减少， 最后就变成一种颜色了。?这个模型是一个典型的吸收马尔科夫链。 次数如果足够多， ?最后到全部的格子都变成一种状态的概率是1。 也就是说， 这样不停的运行下去， 格子的颜色一定会全部都变成一种的。 数学家早就研究过这个模型了， 并且计算出在任何时候， 某种颜色最终会战胜其他颜色，占据所有的格子的概率就是它现在在这个格子矩阵中所占的比例。 利用踏脚石模型模拟人类语言的发展 想象一下最原始的人类， 他们是怎么说话的呢。 估计最开始大家都不会说话， 然后为了要表达自己的意思， 就要用音节来表示某个东西。比如说桥， 中国人叫它qiao， 日本人叫它 hashi， 英国人叫它bridge， 无论看谁都没有什么道理，? 因为各地的人们都默认这个音节表示的就是这个意思。 但是最开始的时候可能他们不会用同一个音节来表示同一个东西， 而语言是用来交流的， 为了交流， 不可避免的要统一两个人的说法， 我们现在就假设这两种说法中的随机的一种胜出， 两个人都同意用这个音节来表达一个意思。 这就相当于我们在踏脚石模型里面的的一次随机选择。 经过来很多次的交流， 在一个 区域内大家都能统一大部分词语的说法， 也就形成了一门语言。? 如果不交流， 大家是不会统一音节的说法的， 比如在湖北的方言， 在行走交通不方便的山区， 古时候就是十里不同音， 也许翻过四五座山就听不懂别人在说什么了。 结论是， 以后世界上的人都会说一种语言？！?其实在多国人聚集居住的地方会有一种语言叫洋泾浜 ， 大家混合各国的语言， 而且有统一的趋势。但是世界上语言统一我觉得不是那么容易， 因为交流才能促进语言的统一， 大家在地球上隔的这么远， 平时交流的欲望好像还是没有这些矩阵里面的格子强烈的。 无后效性写成数学表达式为： P xt+1 j | xt it , xt-1 it―1,……x1 i1 P xt+1 j | xt i Pij 即在xt i的条件下，使 xt+1 j的条件概率，或者说从 i状态一步转移到j状态的概率，因此它又称一步状态转移概率。 由状态转移图，由于共有n个状态，所以有状态转移矩阵。 二．状态转移矩阵 1.一步状态转移矩阵 系统有n个状态，描