原文链接：/?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分割连续多变量数据的概率模型。该模型将数据解释为一系列隐藏状态生成。每个状态都是重尾分布的有限混合，具有特定于状态的混合比例和共享的位置/分散参数。
该模型中的所有参数都配备有共轭先验分布，并通过变化的贝叶斯（vB）推理算法学习，其本质上与期望最大化相似。该算法对异常值具有鲁棒性，并且可以接受缺失值。
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。 结果绘制为 时间序列
设置状态，符号和特征的数量
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);
创建用于采样的模型
Obj= bhnn(NumState,NumSym,NumFeat);
设置超参数
Obj.TransWeight=Trans;Obj.TransStren(:)=NumObs;Obj.EmissWeight=Emiss;Obj.EmissStren(:)=NumObs;pLoc=Loc;pScale(:)=NumObs;pDisp=Disp;pPrec(:)=max(NumObs,NumFeat);
采样数据并随机删除值
更新状态
fprintf('Done\n')fprintf('Estimating model ... ')
创建估计模型
Obj=BHMM(NumState,NumSym,NumFeat);
约束过渡参数
Obj.TransWeight=Trans;Obj.TransStren(:)=NumObs;
估计模型和状态概率
更新状态
绘制结果
% 更新状态fprintf('Done\n')fprintf('\n')end
参考文献
1.matlab使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抽样的贝叶斯简单线性回归仿真
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语言使用贝叶斯 层次模型进行空间数据分析
8.R语言随机搜索变量选择SSVS估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
