关于数据挖掘:matlab贝叶斯隐马尔可夫hmm模型实现

46次阅读

共计 1322 个字符,预计需要花费 4 分钟才能阅读完成。

原文链接:http://tecdat.cn/?p=7973

原文出处:拓端数据部落公众号

贝叶斯隐马尔可夫模型是一种用于宰割间断多变量数据的概率模型。该模型将数据解释为一系列暗藏状态生成。每个状态都是重尾散布的无限混合,具备特定于状态的混合比例和共享的地位 / 扩散参数。

该模型中的所有参数都装备有共轭先验散布,并通过变动的贝叶斯(vB)推理算法学习,其本质上与冀望最大化类似。该算法对异样值具备鲁棒性,并且能够承受缺失值。

 本文从未知的 BRHMM 生成一组数据序列 参数,并仅从这些数据中估算出 生成它们的模型。后果绘制为 工夫序列 

 设置状态,符号和特色的数量 

NumState=2;

NumSym=3;

NumFeat=5;

 设置序列数,每个序列点数和缺失值 

NumSeq=2;

NumPoint=100;

NumMiss=20;

 设置参数生成选项。TransParam=1/5 

EmissParam=1/5;

LocParam=2;

DispParam=5;

 设置采样选项 

NumDeg=5;

NumObs=1000;

 打印 和显示状态 

fprintf('\\n')

fprintf('Sampling data ...')

 生成用于采样的参数 

\[Trans,Emiss,Loc,Disp\]=GenParam(NumState,NumSym,NumFeat,...

TransParam,EmissParam,LocParam,DispParam);

 创立用于采样的模型 

Obj= bhnn(NumState,NumSym,NumFeat);

 设置超参数 

Obj.TransWeight=Trans;

Obj.TransStren(:)=NumObs;

Obj.EmissWeight=Emiss;

Obj.EmissStren(:)=NumObs;

Obj.CompLoc=Loc;

Obj.CompScale(:)=NumObs;

Obj.CompDisp=Disp;

Obj.CompPrec(:)=max(NumObs,NumFeat);

 采样数据并随机删除值 

 更新状态 

fprintf('Done\\n')

fprintf('Estimating model ...')

 创立预计模型 

Obj=BHMM(NumState,NumSym,NumFeat);

 束缚过渡参数 

Obj.TransWeight=Trans;

Obj.TransStren(:)=NumObs;

 预计模型和状态概率 

 更新状态 

 

 绘制后果 

% 更新状态 
fprintf('Done\\n')

fprintf('\\n')

end

  


参考文献

1.matlab 应用贝叶斯优化的深度学习

2.matlab 贝叶斯隐马尔可夫 hmm 模型实现

3.R 语言 Gibbs 抽样的贝叶斯简略线性回归仿真

4.R 语言中的 block Gibbs 吉布斯采样贝叶斯多元线性回归

5.R 语言中的 Stan 概率编程 MCMC 采样的贝叶斯模型

6.Python 用 PyMC3 实现贝叶斯线性回归模型

7.R 语言应用贝叶斯 层次模型进行空间数据分析

8.R 语言随机搜寻变量抉择 SSVS 预计贝叶斯向量自回归(BVAR)模型

9.matlab 贝叶斯隐马尔可夫 hmm 模型实现

正文完
 0