最近我们被客户要求撰写关于贝叶斯隐马尔可夫hmm的研究报告，包括一些图形和统计输出。
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;
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
