人工智能之马尔可夫模型（MM）

这里“MM”-马尔可夫模型,不是跟中国网络俗语“美眉”有关，而是跟俄国的“杨家司机”马尔可夫有关。这位“杨家司机”仅有名为安德雷·安德耶维齐·马尔可夫（АндрейАндреевичМарков），是俄国数学家。1874年18岁的马尔可夫毕业圣彼得堡大学，师从托比雪夫（另一位俄国“杨家司机”，知名的托比雪夫定理-概率论与数理统计的基础），物理-数学博士，毕业后调入任教，圣彼得堡大学教授，圣彼得堡科学院院士。

在概率论、数论、函数迫近论和微分方程等方面卓有成就。马尔可夫模型阐述：马尔可夫模型MM（MarkovModel）是一种统计资料模型。它的完整模型马尔可夫链，由俄国数学家马尔可夫于1906年明确提出，将此一般化到可数无限状态空间是由柯尔莫果洛夫在1936年得出的。

马尔可夫链是与马尔可夫过程密切涉及。马尔可夫过程是研究线性事件动态系统状态空间的最重要方法，它的数学基础是随机过程理论。

马尔可夫性质：此性质称作马尔可夫性质（MarkovProperty），亦称无后效性或无记忆性。若X(t)为线性型随机变量，则马尔可夫性亦符合等式。

马尔可夫过程：若随机过程{X(t),t归属于T}符合马尔可夫性质，则称作马尔可夫过程。比如，荷花池中一只青蛙的冲刺，液体中微粒所作的布朗运动，传染病不受病毒感染的人数，原子核中一自由电子在电子层中的冲刺，人口快速增长过程、亡命迷宫的老鼠等都可视作马尔可夫过程。少见马尔可夫过程有：(1)独立国家随机过程为马尔可夫过程。

(2)独立国家增量过程为马尔可夫过程。(3)泊松过程为马尔可夫过程。(4)维纳过程为马尔可夫过程。(5)质点随机游动过程为马尔可夫过程。

跟朴素贝叶斯、反对向量机等机器学习算法有所不同，马尔可夫过程不用给处置的数据打标签。马尔可夫过程更加侧重于处置掌控或决策问题。马尔可夫过程用作预测基本步骤：首先确认系统状态,然后确认状态之间移往概率,再行展开预测,并对预测结果展开分析-若结果合理,则可递交预测报告,否则须要检查系统状态及状态移往概率否准确。

马尔可夫链：马尔可夫链MC（MarkovChain）是指数学中具备马尔可夫性质的线性事件随机过程。该过程中，在等价当前科学知识或信息的情况下，过去对于预测将来是牵涉到的。在马尔可夫链的每一步，系统根据概率分布，可以从一个状态变到另一个状态，也可以维持当前状态。

状态的转变叫作移往，与有所不同的状态转变涉及的概率叫作移往概率。时间和状态都线性的马尔可夫过程沦为马尔可夫链MC。马尔可夫链原理：马尔可夫链MC叙述了一种状态序列，其每个状态值各不相同前面受限个状态。

马尔可夫链是具备马尔可夫性质的随机变量的一个数列。这些变量的范围，即它们所有有可能给定的子集，被称作“状态空间”，而的值则是在时间n的状态。马尔可夫链是与马尔可夫过程密切涉及。

运用马尔可夫链只必须最近或现在的动态资料之后可预测将来。马尔可夫链性质：马尔可夫链MC具备以下性质：1）于是以定性：状态移往矩阵中的每一个元素被称作状态移往概率，由概率论科学知识由此可知，每个状态移往概率均为正数，用公式才可回应为：2）有限性：由概率论科学知识闻，状态移往阵中的每一行状态移往阵中每行相乘均为1，用公式可回应为:马尔可夫序列分类器：序列分类器或序列标号器是给序列中的某个单元指派类或者标号的模型。诸如：词类标示、语音辨识、句子重复、字素音位切换、局部句法剖析、语块分析、命名实体辨识、信息提取都归属于序列分类。马尔可夫序列分类器为：1）贞马尔可夫模型（VMM），又叫马尔可夫模型MM。

2）隐马尔可夫模型（HMM）,叙述一个所含说明了不得而知参数的马尔可夫过程，是一个双重随机过程（还包括马尔可夫链和一般随机过程）。马尔可夫模型应用于：马尔可夫模型广泛应用在语音辨识，词性自动标示，音字切换，概率文法等各个自然语言处置、算术编码、地理统计学、企业产品市场预测、人口过程、生物信息学（编码区域或基因预测）等应用领域。经过长年发展，特别是在是在语音辨识中的顺利应用于，使它沦为一种标准化的统计资料工具。

1）状态统计资料建模：马尔可夫链一般来说用来建模排队理论和统计学中的建模。还可作为信号模型用作熵编码技术等。马尔科夫链预测法是一种限于于随机过程的科学、有效地的动态预测方法。马尔可夫链有众多的生物学应用于，尤其是人口过程，可以协助仿真生物人口过程的建模。

2）隐密马尔可夫模型（HMM）还被用作生物信息学，借以编码区域或基因预测。1980年代后半期，HMM开始应用于到生物序列特别是在是DNA的分析中。此后，在生物信息学领域HMM渐渐沦为一项不可或缺的技术。

到目前为止，隐马尔可夫模型（HMM）仍然被指出是构建较慢准确的语音识别系统的最顺利的方法。简单的语音辨识问题通过说明了马尔可夫模型能非常简单地被阐释、解决问题，让人们衷心地感慨数学模型之智。3）马尔科夫链蒙特卡罗方法（MarkovChainMonteCarlo）方法:马尔科夫链蒙特卡罗MCMC是在朴素贝叶斯[请求参看公众号“科技优化生活”之人工智能（29）]论框架下，通过计算机展开仿真的蒙特卡罗方法[请求参看公众号“科技优化生活”之人工智能（31）]，该方法将马尔科夫链(MC)引进到蒙特卡罗（MC）仿真中，构建随着取样产于随机仿真的展开而转变的动态仿真，填补了传统的蒙特卡罗分数不能静态仿真的缺失，是近年来广泛应用的统计资料计算方法。结语:马尔可夫模型（MarkovModel）是一种统计资料模型。

它的完整模型马尔可夫链，由俄国数学家马尔可夫于1906年明确提出。运用马尔可夫链只必须最近或现在的动态资料之后可预测将来。

马尔可夫链是与马尔可夫过程密切涉及。马尔可夫过程是研究线性事件动态系统状态空间的最重要方法，它的数学基础是随机过程理论。马尔可夫模型在及人工智能之自然语言处置等领域应用于普遍。

本文来源：yabo888亚博网站-www.dqhryoga.com