转移矩阵马尔科夫链[精选].docVIP

转移概率矩阵 转移概率矩阵（又叫跃迁矩阵，英文名：transition matrix）是俄国数学家马尔科夫提出的，他在20世纪初发现：一个系统的某些因素在转移中，第n次结果只受第n-1的结果影响，即只与当前所处状态有关，而与过去状态无关。 在马尔科夫分析中，引入状态转移这个概念。所谓状态是指客观事物可能出现或存在的状态；状态转移是指客观事物由一种状态转移到另一种状态的概率。 例如对应于一个天气预报的问题，若天气状态转移概率表如左下： （其中列表示今天的状态，行表示明天的状态。注意每一列之和为1，因为已假设明天仅这三种状态。） ??图1.天气转移概率矩阵 明/今 晴 阴 雨 晴 3/4 1/2 1/4 阴 1/8 1/4 1/2 雨 1/8 1/4 1/4 写作矩阵形式为图1所示。 其中转移矩阵 A的每一个元素都表示从今天的一种状态到明天的一种状态的概率，例如，第2行第3列的值为1/2，这表示今天下雨而明天转阴的概率是1/2。 称A为转移矩阵。 马尔可夫链 1原理简介 马尔可夫链（Markov Chain），描述了一种状态序列，其每个状态值取决于前面有限个状态[1]?。马尔可夫链是具有马尔可夫性质的随机变量的一个数列。这些变量的范围，即它们所有可能取值的集合，被称为“状态空间”，而 的值则是在时间n的状态。如果对于过去状态的条件概率分布仅是 的一个函数，则 这里x为过程中的某个状态。上面这个恒等式可以被看作是马尔可夫性质。 2理论发展 马尔可夫在1906年首先做出了这类过程。而将此一般化到可数无限状态空间是由柯尔莫果洛夫在1936年给出的。 物理马尔可夫链通常用来建模排队理论和统计学中的建模，还可作为信号模型用于熵编码技术，如算术编码（著名的LZMA数据压缩算法就使用了马尔可夫链与类似于算术编码的区间编码）。马尔可夫链也有众多的生物学应用，特别是人口过程，可以帮助模拟生物人口过程的建模。隐蔽马尔可夫模型还被用于生物信息学，用以编码区域或基因预测。 3过程 马尔可夫过程的定义： ⑴设 是一个随机过程，如果在在时刻所处的状态为已知时，与它在时刻之前所处的状态无关，则称具有马尔可夫性。 ⑵设 的状态空间为S,如果对于任意的n≧2,任意的 ,在条件下,X(tn)的条件分布函数恰好等于在条件下的条件分布函数，即 则称为马尔可夫过程。 马尔可夫过程，能为给定样品文本，生成粗略，但看似真实的文本：他们被用于众多供消遣的“模仿生成器”软件。马尔可夫链还被用于谱曲。 它们是后面进行推导必不可少的条件：⑴尺度间具有马尔可夫性质.随机场从上到下形成了马尔可夫链，即 的分布只依赖于 ,与其他更粗 糙的尺度无关，这是因为 已经包含了所有位于其上层的尺度所含有的信息.⑵ 随机场像素的条件独立性.若 中像素的父节点已知，则 中的像素彼此独立.这一性质使我们不必再 考虑平面网格中相邻像素间的关系，而转为研究尺度间相邻像素（即父子节点）间的关系. ⑶ 设在给定的情况下,Y 中的像素彼此独立.⑷ 可分离性.若给定任一节点 ,则以其各子节点为根的子树所对应的变量相互独立.从只有一个节点的根到和图像大小一致的叶子节点，建立了完整的四叉树模型，各层间的马尔可夫链的因 果关系使我们可以由非迭代的推导过程快速计算出 X 的最大后验概率或后验边缘概率. 4模型 完整的四叉树模型也存在一些问题. ⑴ 因概率值过小，计算机的精度难以保障而出现下溢，若层次多，这一 问题更为突出.虽然可以通过取对数的方法将接近于 0 的小值转换成大的负值，但若层次过多、概率值过小，该 方法也难以奏效，且为了这些转换所采用的技巧又增加了不少计算量. ⑵ 当图像较大而导致层次较多时，逐层的计算甚为繁琐。下溢现象肯定会出现，存储中间变量也会占用大量空间，在时间空间上都有更多的开销. ⑶ 分层模型存在块效应，即区域边界可能出现跳跃，因为在该模型中，同一层随机场中相邻的像素不一定有同 一个父节点，同一层的相邻像素间又没有交互，从而可能出现边界不连续的现象. 5 MRF 为了解决这些问题，我们提出一种新的分层 MRF 模型——半树模型，其结构和图15类似，仍然是四叉树， 只是层数比完整的四叉树大大减少，相当于将完整的四叉树截为两部分，只取下面的这部分.模型最下层仍和图像 大小一致，但最上层则不止一个节点.完整的四叉树模型所具有的性质完全适用于半树模型，不同点仅在于最上层,完整的树模型从上到下构成 了完整的因果依赖性，而半树模型的层间因果关系被截断，该层节点的父节点及祖先均被删去，因此该层中的各 节点不具有条件独立性，即不满足上述的性质2,因而对这一层转为考虑层内相邻节点间的关系.半树模型和完 整的树模型相比，层次减少了许多，这样，层次间的信息传递快了，概率值也不会因为过多层次的逐层