Markov Chain算法笔记
来源:互联网 发布:淘宝小产品拍摄技巧 编辑:程序博客网 时间:2024/05/21 19:49
Markov Chain 体现的是状态空间的转换关系,下一个状态只决定与当前的状态(可以联想网页爬虫原理,根据当前页面的超链接访问下一个网页)。如下图:
这个状态图的转换关系可以用一个转换矩阵 T 来表示:
举一个例子,如果当前状态为 u(x) = (0.5, 0.2, 0.3), 那么下一个矩阵的状态就是 u(x)T = (0.18, 0.64, 0.18), 依照这个转换矩阵一直转换下去,最后的系统就趋近于一个稳定状态 (0.22, 0.41, 0.37) 。而事实证明无论你从那个点出发,经过很长的 Markov Chain 之后都会汇集到这一点。
满足什么条件下经过很长的 Markov Chain 后系统会趋近一个稳定状态呢,大概的条件如下:
1. Irreducibility. 即图是联通的,各个状态之间都有过去的办法,举个不联通的例子,比如爬虫爬不到内部局域网的网页 2. Aperiodicity. 即图中遍历不会陷入到一个死圈里,进去了再也出不来,有些网站为了防机器人,会专门设置这种陷阱 3. Detailed Balance,这是保证系统有稳态的一个重要条件,详细说明见下面。
假设 p(x) 是最后的稳态,那么 detailed balance 可以用公式表示为:
什么意思呢?假设上面状态图 x1 有 0.22 元, x2 有 0.41 元,x3 有 0.37 元,那么 0.22×1 表示 x1 需要给 x2 钱,以此类推,手动计算,可以发现下一个状态每个人手中的钱都没有变。值得说明的是,这里体现了一个很重要的特性,那就是从一个高概率状态 xi 向一个低概率状态 x(i-1) 转移的概率等于从这个低概率状态向高概率状态转移的概率(reversible,至于要不要转移又是另外一回事)。
Markov Chain 的基本性质“无后效性”,即事物将来的状态及其出现的概率的大小,只取决于该事物现在所处的状态,而与以前时间的状态无关;
还有一个基本性质是“遍历性”,是指不管事物现在出于什么状态,在较长时间内,马尔科夫过程逐渐趋于稳定状况,而且稳定状态与初始状况无关。
- Markov Chain算法笔记
- Markov Chain
- Markov Chain
- lua学习笔记--两个实例(markov chain 和 递归上台阶算法)
- MCMC(Markov chain Monte Carlo)算法教程
- chain rule 到 Markov chain
- Markov chain Monte Carlo
- Absorbing markov chain
- Markov Chain Monte Carlo
- Markov chain的基本知识
- Markov Chain(bate)
- Markov chain 学习
- 马尔可夫链(Markov Chain)
- Markov Chain Monte Carlo
- MCMC(Markov Chain Monte Carlo)
- 什么是Markov chain Monte Carlo?
- Markov chain马氏链名词理解
- 机器学习算法MCMC(Markov Chain Monte Carlo) and Gibbs Sampling
- 写一个函数可以判断一个年份是不是闰年。
- 推荐一款好用的下拉框软件 绿色中文版
- MTK Android Driver :battery
- PHP 分支语句
- ios-代码的国际化
- Markov Chain算法笔记
- 图解正向代理、反向代理、透明代理
- 七大查找常见算法(上)
- 什么是MACD,如何使用MACD指标(新手必学)
- Qt程序打包发布
- 开始认真学习
- redis安装
- (JDBC)利用Java反射编写一个万能的数据库表查询方法
- ArcGis 通过web发布图层,服务启动失败,不显示图层等问题