全文下载链接：http://tecdat.cn/?p=7973

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);

---

点击标题查阅往期内容

用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)股票指数预测实战

左右滑动查看更多

01

02

03

04

 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

本文摘选《matlab贝叶斯隐马尔可夫hmm模型实现》，点击“阅读原文”获取全文完整资料。

欲获取全文文件，请点击左下角“阅读原文”。