马尔科夫链的介绍.docx

原理简介

原理简介

马尔可夫链（MarkovChain），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X_1,X_2,X_3...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X_n的值则是在时间n的状态。如果X_{n+1}对于过去状态的条件概率分布仅是X_n的一个函数，则

P(X_{n+1}=x|X_1=x_1,X_2=x_2,...,X_n=x_n)=P(X_{n+1}=x|X_n=x_n).

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。

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。

马尔可夫链与布朗运动以及遍历假说这两个二十世纪初期物理学重要课题是相联系的，但马尔可夫寻求的似乎不仅于数学动机，名义上是对于纵属事件大数法则的扩张。

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。

马尔可夫链最近的应用是在地理统计学(geostatistics)中。其中，马尔可夫链用在基于观察数据的二到三维离散变量的随机模拟。这一应用类似于“克里金”地理统计学(Kriginggeostatistics)，被称为是“马尔可夫链地理统计学”。这一马尔可夫链地理统计学方法仍在发展过程中。

马尔可夫过程

马尔可夫过程的定义：

⑴设{(X(t),t∈T)}是一个随机过程，如果{X(t),t∈T)}在t0时刻所处的状态为已知时，与它在时刻tt0之前所处的状态无关，则称{X(t),t∈T)}具有马尔可夫性。

⑵设{X(t),t∈T)}的状态空间为S,如果对于任意的n≧2,任意的t1t2. tn∈T,在条件

X(ti)=xi,xi∈S,i=1,2,.,n-1下,X(tn)的条件分布函数恰好等于在条件X(tn-1)=xn-1下的条件分

布函数，即

P(X(tn)=xn|X(t1)=x1,X(t2)=x2,.,X(tn-1)=xn-1)

=P(X(tn)=xn|X(tn-1)=xn-1)

则称{(X(t),t∈T)}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

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Xi的分布只依赖于Xi,与其他更粗糙的尺度无关，这是因为Xi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Xi中像素的父节点已知，则Xi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Xn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xs,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.

应用

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，如算法编码。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。马尔可夫链最近的应用是在地理统计学(geostatistics)中。其中，马尔可夫链用在基于观察数据的二到三维离散变量的随机模拟。这一应用类似于“克里金”地理统计学(Kriginggeostatistics)，被称为是“马尔可夫链地理统计学”。这一马尔可夫链地理统计学方法仍在发展过程中。