基于马尔科夫链的校本成绩评价合理性的探索

本文利用马尔科夫链的预测模型来探索校本成绩评价的合理性,方法是将校本成绩和高考成绩均转换成Z分数并将Z分数划分成六个区间,统计各区间的人数,利用马尔科夫模型分别预测校本成绩及高考成绩在各区间的概率,并对其结果进行对比分析.结果表明马尔科夫预测模型能比较准确的预测校本成绩的状态,也能够在一定程度上预测高考成绩的状态,但是预测能力非常有限,并探讨了预测误差比较大的原因.     

利用马尔科夫和灰色模型预测高校师资队伍

状态转移矩阵是马尔科夫预测的关键。本文通过多元回归理论,建立多目标规划模型求解马尔科夫状态转移矩阵;借助灰色预测GM(1,1)模型来改进马尔科夫模型状态转移容易局限于内部等缺陷;将该模型运用于某高校师资队伍预测,为优化高校师资队伍结构提供一种有效的方法。     

指数平滑结合条件Markov预测模型研究——基于新疆货运量预测

建立了一个时间序列预测模型。以三次指数平滑模型为基本预测模型,并基于马尔科夫链定义了误差修正模型--条件马尔科夫链。条件马尔科夫链的特点在于将传统马尔科夫链中的一步状态转移概率矩阵变成条件一步状态转移概率矩阵,即在条件马尔科夫链的状态转移概率矩阵中,每个元素的意义为:在已知t-1时刻的状态下,t时刻的状态转向t+1时刻状态的概率:即P{(E_t→E_(t+1))/E_(t-1)}。在文章中以新疆货运量为实验对象,通过对新疆货运量这一指标用三次指数平滑模型,用三次指数平滑模型结合马尔科夫链和三次指数平滑模型结合条件马尔科夫链三个模型进行预测,结果显示,经过条件马尔科夫链修正后的预测结果误差最小,证明文中模型可以有效提高预测精度。     

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.     

基于Vague集及隐马尔科夫的大学生心理危机预测

现有关于大学生心理问题的研究主要停留在心理健康教育层面,对心理问题的发现缺乏有效手段,难以准确预知大学生心理危机.针对这一问题,应用隐马尔科夫模型对大学生心理危机进行预测,分析影响大学生心理健康的因素,并利用Vague集理论构造核心因素集;确立隐马尔科夫模型各个要素的初始值,建立预测大学生心理危机的模型,运用Baum-Welch算法对模型参数进行训练,并结合Viterbi算法进行预测.根据某大学学生心理健康评估原始记录进行实例分析,验证了模型的正确性.研究结果表明,采用核心因素集能够提高预测的准确性,为预知大学生心理问题提供有效的途径.     

基于气象相似度与马尔科夫链的光伏发电预测方法

针对目前光伏发电预测中实用性较低、预测精度不高、气象条件利用不充分和预测跟踪性能较差等现象,设计出基于气象相似度与五状态马尔科夫链的光伏发电预测方法。该方法利用神经网络建立气象相似度—发电量相似度的过渡模型,用该模型预测可获得预测日发电量的预测结果,最后分别用三状态和五状态的马尔科夫链修正预测结果。实验结果表明:相比不充分利用气象条件的神经网络预测方法,基于气象相似度与五状态马尔科夫链的光伏发电预测方法具有较高的预测精度、实用性和良好的预测跟踪性能。     

基于一种新型马尔科夫模型的预测蛋白质亚细胞位点的方法

亚细胞位点是蛋白质很重要的功能特征.找到一种有效的、可信度高的预测蛋白质位点的方法是很必要的.提出了一种基于马尔科夫模型的改进预测方法.首先,对于一条给定的蛋白质序列,通过计算在马尔科夫模型下20个氨基酸残基的状态转移矩阵,建立一个420维的特征向量,然后利用支持向量机进行训练和预测,最后夹克刀检验证实了该方法的预测精度与以前的马尔科夫模型相比得到了一定的提高.     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

分解—排序—更新法求解马尔科夫链

论文提出了一种计算有限状态离散时间马尔科夫链平稳分布的算法，算法的核心是块划分马尔科夫链的状态转移图，对分解怕得的状态子空间进行了拓扑排序，然后根据拓扑充列计算每个状态子空间，相应地更新马尔科夫链的实始分布。本算法对求解有限状态离散时间可约马尔科夫链；尤其是当马尔科夫链有非常迟状态且可分成多个块时就非常适用。     

HDNN-MC模型在特高拱坝变形预测中的应用

递阶对角神经网络(HDNN)采用动态BP学习算法,可以逼近任意非线性函数且具有收敛速度快、预报精度高的特点,因此本文将其引入到大坝安全监测领域,以水压、温度和时效为输入量,坝体位移为输出量,在此基础上运用马尔科夫链(MC)模型对预测数据进行残差计算和状态划分,确定马尔科夫链状态概率矩阵,通过马尔科夫链状态概率矩阵对HDNN模型进行反馈修正,从而提高精度。基于此建立了HDNN-MC模型并应用于某特高拱坝的变形预测。结果表明,HDNN-MC综合模型相对于单一模型,预测精度得到显著提高,能更高效准确地预测大坝变形。     

三种模糊Markov链状预测模型

为了解决具有不确定信息的Markov链状预测问题,给出了"模糊状态-精确观测数据"、"精确状态-模糊观测数据"和"模糊状态-模糊观测数据"三类模糊Markov链状预测的模型,涵盖了具有不确定信息的Markov链状预测的各种形式,系统研究了三种模型下的状态转移概率确定方法与预测过程。该项工作使得模糊Markov链状预测模型问题趋于完善,为深入研究模糊Markov过程以及其它特殊的模糊随机过程提供了思路。     

基于灰色马尔可夫链的城市居民人均收入预测

城市居民家庭人均可支配收入是用以衡量城市居民收入水平和生活水平的最重要和最常用的指标,因此对预测结果的的精度要求较高.灰色马尔可夫链模型兼并了灰色预测和马尔可夫预测的优点,在城市居民收入的预测中有较高的应用价值.     

改进的灰色马尔可夫组合预测模型应用研究

根据灰色预测模型和马尔可夫预测思想,将灰色预测模型结合马尔可夫预测模型,并对组合模型进行了改进,采用递进转移概率矩阵,并结合1998-2007年安徽入境游客人数来预测2008、2009年的入境游客人数;结果表明：采用该改进后灰色马尔可夫的组合模型,可以得到比传统灰色马尔可夫组合预测模型更为准确的数据。     

关于二重马氏链的相关性质

马氏链是一类特殊的随机过程,在随机过程论中也起着重要的作用。最初由A.A.Markov所研究。二重马氏链概念也是一重马氏链概念的推广。在给出二重马氏链的两个等价定义的基础上,同时提供了一个获得二重马氏链的方法以便于检验随机过程是否为二重马氏链。     

基于灰色马尔可夫模型的专利申请量增长率预测

由于专利申请量年平均增长率受多种因素的影响,本文把专利申请量年平均增长率的变化过程视为一随机过程,将灰色系统理论与离散状态的马尔可夫链相结合,提出了专利申请量年平均增长率变化过程的灰色马尔可夫预测模型。在状态划分过程中,采用均值一标准差分级法进行指标分级与状态划分,在实例分析中,把11年的专利申请量年平均增长率资料划分成五种状态。预测分析结果表明,利用灰色马尔可夫预测模型进行专利申请量年平均增长率的变化过程预测是可行的。     

基于马尔可夫链和模糊聚类的电力系统短期负荷预测

提出一种马尔可夫链和模糊聚类相结合的预测方法,针对时间序列中出现的各种随机现象,分别建立数学模型.对样本所属状态采用模糊划分,使分类更符合实际情况;利用马尔可夫链对研究对象做状态分析,根据状态转移进行预测.该方法在电力系统负荷预测中使用,提高了算法的全局最优性能.在时间序列呈现较强的随机性时,本算法具有明显的优越性.仿真结果表明,对于各种扰动因素,预测误差可控制在3.5%以内.     

关于马氏双链的遍历定理

给出了关于马氏双链的遍历定理 ,并且利用刘文教授 (1978)提出的分析方法对其进行了证明 ,所得结果是对一般马氏链遍历定理的推广     

关于隐马尔可夫模型的一个极限性质

隐马尔可夫模型是研究发音过程、神经生理学与生物遗传等问题的有力工具,并且在弱相依变量的建模上得到了广泛应用.本文假定隐藏的马氏链为非齐次的,从而导出了该模型泛函序列{fn(X0,...,Xn,Yn)}的强极限定理.     

加权Markov链权重计算及其应用

以中体产业股价为例,应用加权Markov链理论对股票价格进行预测分析.通过模糊聚类分析,将已知的股票价格变动情况分为六类,并对股票收盘价的历史数据进行马氏性检验.利用加权Markov链计算权重的方法,计算出每类状态的权重值,并给出中体产业未来股票价格的预测区间.应用随机过程的加权Markov链理论,构造了描述股票价格波动格变化的数学模型,并通过实例给出股价的预测区间,该方法具有很强的适用性.     

The relations among various Markov chains

Some basic equations and the relations among various Markov chains are established. These works are the bases in the investigation of the theory of Markov chain in random environment. Foundation item: Supported by the National Natural Science Foundation of China (10071058-2) and Doctoral Programme Foundation of China Biography: Hu Di-he (1935-), male, Professor, research interest: stochastic processes and random fractals.