隐马尔可夫模型在生物信息学中的应用

隐马尔可夫模型 ( HMM)是一个能够通过可观测的数据很好地捕捉真实空间统计性质的随机模型 ,该模型已成功地运用于语音识别 ,目前 HMM已开始应用于生物信息学 ( bioinformatics) ,已在生物序列分析中得到了广泛的应用 .本文首先介绍了 HMM的基本结构 ,然后着重讨论了 HMM在 DNA序列的多重比对 ,基因发现等生物序列分析中的应用     

有限马尔科夫过程参量的估计

1.引言由于各种实际需要,马尔科夫过程的统计推断理论逐步地发展起来。以往的工作多半是关于马尔科夫链方面的,最近才在连续时间、离散状态的马尔科夫过程方面有些工作(参看[1-5])。这些工作都是讨论(其定义参看下面)的估计的。本文引入了与等效的,但更富有概率意义的参量和(其定义参看下面),找到了前者的     

基于动态数据驱动的改进灰色马尔科夫模型黄金价格预测

将黄金数据的尖峰厚尾、异方差性及杠杆效应等统计特征与马尔科夫概率转移矩阵所具有的动态变化规律结合,提出一种改进的灰色马尔科夫模型.模型首先对数据进行统计分析,建立相应的概率统计模型并用此模型对系统发展变化趋势进行拟合.在拟合序列的基础上利用马尔科夫链的动态转移变化建立状态转移概率矩阵,采用动态数据驱动原理对未来每一步数据进行动态预测.模型既是统计方法与数据动态驱动的结合,克服了传统的灰色马尔科夫模型中对数据内在统计规律的忽视,实证表明其预测精度较灰色马尔科夫模型预测高,具有较好的实用性.     

隐马尔可夫模型在语音识别中的应用

隐马尔可夫模型 (HMM)的基本技术是语音识别中较为成功的算法 .主要是它具有较强的对时间序列结构的建模能力 .本文首先深入浅出地介绍了 HMM的基本技术和一个基于 HMM的孤立词语音识别系统的构成方法 ,其次 ,基于 HMM尚存有一些缺陷 ,造成语音识别能力较弱 ,为此本文又进一步阐述了语音识别应用中的几种改进的 HMM系统及目前的热点方法—— HMM与 ANN构成的混合网络     

隐马尔可夫模型在语音识别中的应用

隐马尔可夫模型（HMM）的基本技术是语音识别中较为成功的算法，主要是它具有较强的对时间序列结构的建模能力。本首先深入浅出地介绍了HMM的基本技术和一个基于HMM的孤立词语音识别系统的构成方法，其次，基于HMM尚存有一些缺陷，造成语音识别能力较弱，为此本又进一步阐述了语音识别应用中的几种改进的HMM系统及目前的热点方法－HMM与ANN构成的混合网络。     

基于EMD-HMM的故障诊断模型及应用

提出了基于经验模式分解(EMD)和隐马尔科夫模型(HMM)的故障诊断模型,为通过设备状态监测数据分析进行基于状态维修和维修决策提供了一种新途径.为了消除EMD的端点效应,使用神经网络拟合延拓原始数据序列端点极值,并通过定义序列复杂度来定性地确定延拓极点数.进一步,采用分解所得的固有模态(IMF)能谱熵作为HMM分类系统的输入,得到一种设备故障诊断方案.通过数值仿真和发动机故障诊断验证了该方法的有效性.     

奈特不确定和部分信息下的最优交易策略

本文研究了在奈特不确定和部分信息下的最优交易策略.考虑一个多种股票模型,股票价格过程满足随机微分方程,股票价格的瞬时收益率由有限状态连续时间的马尔科夫链刻画.在奈特不确定投资者α-极大极小期望效用最大化目标下,利用隐马尔科夫模型(HMM)滤波理论和Maliavin分析,导出最优交易策略的显式表达式.文中模型的特点是使用了区别含糊和含糊态度的α-极大极小期望效用,并且从最优投资策略显式解中可以得知含糊和含糊态度会明显影响投资者的行为.所以本文结论具有实际经济意义.     

区域产业结构演进的马尔科夫过程

区域产业结构的演变既是客观存在的,又是有规律可循的.多年来,国内外许多学者对区域产业结构的演进过程从不同的角度进行了深入的分析研究,但是,结论众说纷纭,其主要原因是没有真正涉及产业结构演进的本质.应用马尔科夫方法研究区域产业结构的演进过程,试图探索研究区域产业结构演进的有效方法.     

基于时间序列建模和控制图的异常交易检测方法

可疑交易识别是打击洗钱犯罪所要面对的一项重要任务.为辅助反洗钱分析人员从海量金融交易信息中甄别客户异常交易,本文提出一种新的基于非线性马尔科夫随机过程、相空间重构和隐马尔科夫链的非线性随机方法,用于对金融交易时序进行建模拟合,然后应用鲁棒控制图对估计误差进行检验以发现异常.应用该算法对实际交易数据和仿真数据的分析验证了所提方法的有效性和可行性,可以被用于异常交易的监测.     

贝叶斯网边际马尔科夫子图及其应用

贝叶斯网络利用有向无圈图对多元联合概率分布中条件独立性进行约束,以实现其在不确定推理中的模块化分解,降低概率推理的计算复杂度.它在概率推理、机器学习和因果推理中都有广泛的应用.在实际中,如果采用分而治之或模型压缩的方法对贝叶斯网络进行结构学习或统计推断,那么需要人们寻找边际分布的极小马尔科夫子图(或极小独立图)来建立边际模型.为此,本文基于贝叶斯网的道义图研究贝叶斯网边际模型的极小马尔科夫子图,从统计和图论的观点对其进行了细致的刻画.针对DAG模型的可压缩性,本文将基于有向导出路径的性质给出更直观的等价条件,同时又给出了若干充分条件,这为判断模型是否可压缩到局部子模型上提供了更多的理论工具.     

On approximation of smoothing probabilities for hidden Markov models

We consider the smoothing probabilities of hidden Markov model (HMM). We show that under fairly general conditions for HMM, the exponential forgetting still holds, and the smoothing probabilities can be well approximated with the ones of double-sided HMM. This makes it possible to use ergodic theorems. As an application we consider the pointwise maximum a posteriori segmentation, and show that the corresponding risks converge.     

基于二维真实隐马氏模型的手写体文字识别算法

近几年来，人们采用各种方法试图将1D隐马氏模型(HMM)^[2]推广到2D隐马氏模型。令人失望的是由于在建立合适的2D模型及其计算上的复杂度问题上存在困难，前面的尝试都没有得到一个真实的2DHMM．本文对于应用真实2D隐马氏模型(隐马氏网格随机场HMMRF)^[1,4]进行手写字符识别问题提出新的框架，针对文献[1]中的单点最优算法给出局部最优的译码算法。HMMRF模型是1D隐马氏模型到2D的扩展，能更好的描述字符的2D特性。HMMRF在字符识别中的应用具有两个相——学习相和译码相。在学习相和译码相中我们的最优标准是基于极大边缘后验概率的。不过，在涉及到2D模型中的计算问题时，对模型做出某些简单化的假设是必要的。本文用到的方法对于在合理的模型假设下解决手写字符识别问题呈现了很大的潜力。     

Asymptotic risks of Viterbi segmentation

We consider the maximum likelihood (Viterbi) alignment of a hidden Markov model (HMM). In an HMM, the underlying Markov chain is usually hidden and the Viterbi alignment is often used as the estimate of it. This approach will be referred to as the Viterbi segmentation. The goodness of the Viterbi segmentation can be measured by several risks. In this paper, we prove the existence of asymptotic risks. Being independent of data, the asymptotic risks can be considered as the characteristics of the model that illustrate the long-run behavior of the Viterbi segmentation.     

Efficient sensitivity analysis in hidden markov models

Sensitivity analysis in hidden Markov models (HMMs) is usually performed by means of a perturbation analysis where a small change is applied to the model parameters, upon which the output of interest is re-computed. Recently it was shown that a simple mathematical function describes the relation between HMM parameters and an output probability of interest; this result was established by representing the HMM as a (dynamic) Bayesian network. To determine this sensitivity function, it was suggested to employ existing Bayesian network algorithms. Up till now, however, no special purpose algorithms for establishing sensitivity functions for HMMs existed. In this paper we discuss the drawbacks of computing HMM sensitivity functions, building only upon existing algorithms. We then present a new and efficient algorithm, which is specially tailored for determining sensitivity functions in HMMs.     

改进的带驻留时间隐Markov模型的前向-后向算法

对隐Maxkov模型(hidden Markov model:HMM)的状态驻留时间的概率进行了修订,给出了改进的带驻留时间隐Markov模型的结构,并在传统的隐Markov模型(traditional hidden Markov model:THMM)的基础上讨论了新模型的前向.后向变量,导出了新模型的前向-后向算法的迭代公式,同时也给出了新模型各个参数的重估公式.     

Statistical inference for the nonparametric and semiparametric hidden Markov model via the composite likelihood approach

In this paper, we propose a new estimation method for a nonparametric hidden Markov model(HMM), in which both the emission model and the transition matrix are nonparametric, and a semiparametric HMM, in which the transition matrix is parametric while emission models are nonparametric. The estimation is based on a novel composite likelihood method, where the pairs of consecutive observations are treated as independent bivariate random variables. Therefore, the model is transformed into a mixture ...     

An S-Plus Implementation of Hidden Markov Models in Continuous Time

Abstract

Hidden Markov models (HMM) can be applied to the study of time varying unobserved categorical variables for which only indirect measurements are available. An S-Plus module to fit HMMs in continuous time to this type of longitudinal data is presented. Covariates affecting the transition intensities of the hidden Markov process or the conditional distribution of the measured response (given the hidden states of the process) are handled under a generalized regression framework. Users can provide C subroutines specifying the parameterization of the model to adapt the software to a wide variety of data types. HMM analysis using the S-Plus module is illustrated on a dataset from a prospective study of human papillomavirus infection in young women and on simulated data.     

Filtering of a Multi-Dimension Stochastic Volatility Model

In this article, we study a stochastic volatility model for a class of risky assets. We assume that the volatilities of the assets are driven by a common state of economy, which is unobservable and represented by a hidden Markov chain. Under this hidden Markov model (HMM), we develop recursively computable filtering equations for certain functionals of the chain. Expectation maximization (EM) parameter estimation is then used. Applications to an optimal asset allocation problem with mean-variance utility are given.