基于马尔可夫链的一类学习效率预测模型

本文利用马尔可夫链理论,在教学条件基本稳定不变的前提下,构建学生学习状态转移概率矩阵,用极限概率预测学生今后的学习状态,运用条件数学期望分析学习状态转变对学习效率的影响,建立预测远期学习效率的数学模型。     

非特定环境下去噪性能的分析

语音信号是一种非线性时变的信号,因此在传输和存储过程中,很容易受到外界环境的干扰,最主要的是高斯白噪声的干扰。本文针对语音信号的噪声特点,提出在非特定环境下去除噪声的方法。仿真结果表明,在信噪比为63 dB的情况下,还原的语音信号能够满足我们人耳的要求,体现了该方法的一般性和可行性。     

基于生物先验数据融合构建非平稳基因调控网络

为了构建基因调控网络,提出一个基于生物先验数据融合构建非平稳动态贝叶斯网络结构的方法.该方法基于高斯混合网络模型,改变点过程和独立的能量函数.利用可逆跳跃马尔科夫蒙特卡罗抽样算法,把整个非平稳过程分解成若干平稳子片断,推断网络结构以及先验数据对网络的影响.在仿真和生物数据上测试该方法,结果显示该方法提高了网络重构的精度.     

马尔可夫链在市场占有率中的应用

文中简述了Markov模型的基本原理,根据实例分析,建立了市场占有率的马尔可夫预测模型,并分析了经济含义     

Extending attributes page: a scheme for enhancing the reliability of storage system metadata

In an object-based storage system, a novel scheme named EAP （extending attributes page） is presented to enhance the metadata reliability of the system by adding the user object file information attributes page for each user object and storing the file-related attributes of each user object in object-based storage devices. The EAP scheme requires no additional hardware equipments compared to a general method which uses backup metadata servers to improve the metadata reliability. Leveraging a Markov chain, this paper compares the metadata reliability of the system using the EAP scheme with that using only metadata servers to offer the file metadata service. Our results demonstrate that the EAP scheme can dramatically enhance the reliability of storage system metadata.     

Saturation throughput analysis of RTS/CTS scheme in an error-prone WLAN channel

In this paper, a new three-dimensional Markov model is proposed for the estimation of saturation throughput of RTS/CTS （request to send/clear to send） scheme in an error-prone wireless local area network （WLAN） channel. The model takes account of the effect of bit error on all the frames, and station short and long retry limits. Saturation throughput was re-analyzed using the new Markov model and numerical results closely matched those from simulation, confirming the accuracy of the new model. Evaluation of the influence of different parameters on throughput showed that the saturation throughput is sensitive to channel bit error rates and packet length, especially in high bit error conditions.     

隐马尔可夫模型(HMM)及其应用

隐马尔可夫模型(HMM)是序列数据处理和统计学习的一种重要概率模型,具有建模简单、数据计算量小、运行速度快、识别率高等特点,近几年来已经被成功应用到许多工程任务中.文章介绍了隐马尔可夫模型,并对HMM及其改进的HMM在语音处理技术、人脸识别和人脸表情识别中的应用进行了叙述.     

基于变长预测树模型的Web访问模式挖掘算法

提出一种基于Markov的变长预测树模型,然后根据Markov算法模型化用户的访问行为,生成一棵变长的预测树,最大程度地将用户访问路径固化在预测树上.它最大的特点是减少预测次数,提高模型的预测效率和预测精度.通过实验数据说明了所提出算法的正确性和有效性.     

基于PSO的BP神经网络-Markov船舶交通流量预测模型

为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。