随机过程与排队论19要点.ppt

* 计算机科学与工程学院　顾小丰 48－* 解法2 设π＝(?0,?1)，由π＝πP及?0＋?1＝1，得 方程组 得惟一解?0＝2/3，?1＝1/3，故π＝(2/3，1/3)是极限分布。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 计算机科学与工程学院　顾小丰 随机过程与排队论 计算机科学与工程学院 顾小丰 Email：guxf@uestc.edu.cn * * 计算机科学与工程学院　顾小丰 48－* 隐Markov模型 例 设某人在3个装有红白两种颜色的球的盒子中任取 红球数 白球数 每次抽取方式 盒1 90 10 随机抽取1球，记下颜色后不放回，而 放进1个与它不同的球 盒2 50 50 随机抽取1球，记下颜色后放回 盒3 40 60 随机抽取1球，记下颜色后不放回，而 放进1个红球 一个盒子，然后在此盒子中每次抽取1个球，连续地在同一盒子中按如下方式抽取m次，即各个盒子的内容与抽取方式分别为： 如果某人用上述方法得到一个记录（红，红，红，红，白）（即m＝5），但不告诉我们球出自哪个盒子，我们应如何推测他是从哪个盒子中抽取的观测样本呢？ * 计算机科学与工程学院　顾小丰 48－* 例(续1) 令 Sn(k)＝在第k个盒子（k=1,2,3）中第n次抽取完 成后在各盒子中的红球数 那么，在k分别固定为1,2,3时，{Sn(k) ，n≥0}分别为马尔可夫链，且其转移概率分别为 * 计算机科学与工程学院　顾小丰 48－* 例(续2) * 计算机科学与工程学院　顾小丰 48－* 例(续3) 而且初值分别为：S0(1)＝90， S0(2)＝50， S0(3)＝40。于是 这3个盒子就分别对应于3个不同的马尔可夫链模型，把这3个模型分别记为?1，?2，?3，并把某人观测到的样本序列中的第n个记为On。即令 On为抽到的记录列中第n个记录中的白球数 （只能为0或1） 从此例可以看出，在观测出自哪个盒子已知时，状态随机变量序列{Sn}与某人提供的观测随机变量序列{On}之间的条件概率计算的关系可以直观地写为： S0,O1,S1,…, Om-1,Sm-1, Om,Sm 其中在前面的一段随机变量序列取定值的条件下，继后的那个随机变量取值的条件概率就完全确定了。 * 计算机科学与工程学院　顾小丰 48－* 例(续4) 在这3个模型下分别都有： P{Sn+1|O1,S1,…,On,Sn, On+1}＝ P{Sn+1|Sn}＝ P{S2|S1} P{On+1|O1,S1,…,On,Sn}＝ P{On+1|Sn}＝ P{O2|S1} 于是 P{S0,O1,S1,…,Om-1,Sm-1,Om,Sm} ＝P{S0}P{O1|S0}P{S1|S0}P{O2|S1}…P{Om|Sm-1}P{Sm|Sm-1} 具体地，我们有 在模型?1下（把取到的球换色） P{(O1,O2,O3,O4,O5)＝(0,0,0,0,1)|?1} ＝0.9×0.89×0.88×0.87×0.13≈0.08 * 计算机科学与工程学院　顾小丰 48－* 例(续5) 在模型?2下（球的内容不变） P{(O1,O2,O3,O4,O5)＝(0,0,0,0,1)|?1} ＝（0.5)5≈0.08 在模型?3下（取红不变，取白换红） P{(O1,O2,O3,O4,O5)＝(0,0,0,0,1)|?1} ＝(0.4)4×0.6≈0.015 再用贝叶斯公式分别得到(即取上面3个概率的归一化值) P{?1|(O1,O2,O3,O4,O5)＝(0,0,0,0,1)} ≈0.64 P{?2|(O1,O2,O3,O4,O5)＝(0,0,0,0,1)} ≈0.24 P{?3|(O1,O2,O3,O4,O5)＝(0,0,0,0,1)} ≈0.12 可见从第一盒抽出样本（红，红，红，红，白）的概率要比从其它两盒中抽出该样本的概率要大得多。 * 计算机科学与工程学院　顾小丰 48－* 隐马尔可夫模型的描述 定义1 设{Xn，n≥1}是取值于有限状态{1,2,…,L}的 随机变量序列，称为状态链，X1的分布成为其初始分布，记为?。假定Xn是齐次马尔可夫链，记 aij＝P{Xn+1=j|Xn=i}，A＝(aij)i,j≤L 为它的转移矩阵。假定Xn的取值、初始分布?与转移矩阵A都不能测量得到。而能测量到的是另一个与它有联系的，且可以观测到的一个取值于有限集{v1,v2,…vM}的随机变量序列Yn，称为观测链，它们合起来还要满足如下的隐马尔可夫条件（HMM条件） P{Y=y，X=x}＝ (*) * 计算机科学与工程学院　顾小丰 48－* 隐马尔可夫模型的描述(续1) 其中N为样本观测的时间长度，而X＝(X1,X2,…,XN