注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 随机过程及马尔可夫链

  2. 学习概率统计随机过程、马尔可夫链的绝好工具

  3. 所属分类：专业指导

    • 发布日期：2009-05-22
    • 文件大小：398336
    • 提供者：lyang2007

  1. 应用随机过程.rar

  2. 公理化概率论首先使随机过程的研究获得了新的起点，它是作为随时间变化的偶然量的数学模型，是现代概率论研究主要论题. 一类普遍的随机过程叫Markov过程，这是一种无后效性随机过程，即在已知当前状态情况下，过程未来状态与其过去状态无关. 原始形式马尔可夫过程——马尔可夫链最早由Markov（1907年）提出，故命名为Markov过程，1931年Kolmogrov用分析的方法奠定了Markov过程之理论基础；Kolmogrov之后，在此研究中作出重大贡献而影响了整个概率论的重要代表人物有P. Lev

  3. 所属分类：专业指导

    • 发布日期：2010-05-05
    • 文件大小：1048576
    • 提供者：fsy1541

  1. WINQSB 使用说明

  2. 从 WinQSB 系统的菜单选项，可以看出其可用于求解以下管理与决策科学领域的问题： 1．Acceptance Sampling Analysis （缩写为 ASA ，接受抽样分析） 主要用于各种抽样分析、抽样方案的设计以及假设分析； 2．Aggregate Planning （缩写为 AP ，综合计划编制） 用于求解 具有多时期正常排班、加班、分时段、转包生产量、需求量、储存费用、生产费用等复杂的整体综合生产计划的编制方法，求解思路是将问题归结到求解线性规划模型或运输模型； 3．Decisi

  3. 所属分类：网络基础

    • 发布日期：2010-06-15
    • 文件大小：791552
    • 提供者：luosupo1

  1. 隐马尔可夫模型资料

  2. 隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察倒每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有响应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程----具有一定状态数的隐马尔可夫链和显示随机函数集。自20世纪80年代以来，HMM被应用于语音识别，取得重大成功。到了90年代，HMM还被引入计算机文字识别和移动通信核心技术“多用户的检测”。近年来，HMM在生物信息科学、故障诊断等领域也开始得到应用。

  3. 所属分类：专业指导

    • 发布日期：2008-06-19
    • 文件大小：194560
    • 提供者：ideem

  1. 齐次可列马尔可夫过程

  2. 讲解齐次可列马尔科夫过程、齐次可列马尔科夫链、齐次可列马尔科夫过程构造论，是学习概率论与随机过程的重要参考书之一。

  3. 所属分类：专业指导

    • 发布日期：2008-09-18
    • 文件大小：2097152
    • 提供者：learner_2007

  1. 高等概率论及其应用

  2. 全书共分三大部分：一、高等概率的基本概念与工具，诸如随机元(含特例随机变量)及其分布，随机元的特征泛函，各种收敛性(含依概率收敛、概率为1地收敛、LP收敛、完全收敛、淡收敛、局部弱收敛及弱收敛等)；二、概率极限理论，包括大数定律，中心极限定理，重对数律，不变原理，无穷可分律的理论及其应用等；三、随机过程论，包括可数状态离散时间的马尔可夫链，可数状态连续时间的马尔可夫过程，随机环境中马尔可夫链，鞅论等。在每章的最后，附有习题与应用。

  3. 所属分类：讲义

    • 发布日期：2018-05-03
    • 文件大小：20971520
    • 提供者：qq_35680089

  1. 马尔可夫介绍

  2. 介绍了马尔可夫模型一类重要的随机过程，它的原始模型马尔可夫链，由俄国数学家Α.Α.马尔可夫于1907年提出。人们在实际中常遇到具有下述特性的随机过程：在已知它所处的状态的条件下，它未来的演变不依赖于它以往的演变。这种已知“现在”的条件下，“将来”与“过去”独立的特性称为马尔可夫性，具有这种性质的随机过程叫做马尔可夫过程。荷花池中一只青蛙的跳跃是马尔可夫过程的一个形象化的例子。青蛙依照它瞬间或起的念头从一片荷叶上跳到另一片荷叶上，因为青蛙是没有记忆的，当所处的位置已知时，它下一步跳往何处和它以往

  3. 所属分类：讲义

    • 发布日期：2019-01-20
    • 文件大小：1048576
    • 提供者：weixin_44576128

  1. 带启动-关闭期和N策略的单重休假M/G/1排队

  2. 为了研究带启动-关闭期和N策略的单重休假M/G/1排队系统,考虑顾客服务完成后离去时刻系统中的顾客数,推导出其嵌入马尔可夫链的状态转移概率矩阵;再利用拟生灭过程与矩阵几何解的方法,给出稳态队长的母函数及其数学期望的表达式;采用LST变换处理卷积,求出条件等待时间和稳态等待时间的LST变换;采用经典随机分解方法,得到了稳态队长和条件等待时间的随机分解结果;同时,给出了忙期的母函数及数学期望的表达式,讨论了服务员处于忙期、休假期、空闲期、启动期和关闭期的概率等性能指标。丰富了排队系统的研究内容,也为

  3. 所属分类：其它

    • 发布日期：2020-06-27
    • 文件大小：897024
    • 提供者：weixin_38675746

  1. 考虑休眠的两部件系统可用度马氏建模方法

  2. 针对 Metric 模型中假设备件需求不依赖于可用系统数而导致可用度被低估的问题，考虑部件的休眠状态( 即故障系统 中无故障部件不产生备件需求的情况) ，提出一种两部件系统可用度马氏建模方法。利用可用系统数、备件库存以及备件短缺 数描述备件状态，根据连续时间马尔可夫链方法，分析不同部件的故障修复过程对状态转移的影响，构建了两组马尔可夫随机 过程;随后，分析两种随机过程间的联系，将其合并后建立了备件的马尔可夫状态转移模型;进而利用该模型求解各备件期望短 缺数 EBO( expected backo

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：701440
    • 提供者：weixin_38706045

  1. 几句话弄懂贝叶斯网络、马尔可夫模型、马尔可夫过程、马尔可夫随机场、条件随机场之间的关系

  2. 将随机变量作为结点，若两个随机变量相关或者不独立，则将二者连接一条边；若给定若干随机变量，则形成一个有向图，即构成一个 网络 。 如果该网络是有向无环图，则这个网络称为 贝叶斯网络。 如果这个图退化成线性链的方式，则得到 马尔可夫模型 ；因为每个结点都是随机变量，将其看成各个时刻(或空间)的相关变化，以随机过程的视角，则可以看成是 马尔可夫过程 。 若上述网络是无向的，则是无向图模型，又称 马尔可夫随机场或者马尔可夫网络 。 如果在给定某些条件的前提下，研究这个马尔可夫随机场，则得到 条

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：27648
    • 提供者：weixin_38697579

  1. 随机访问网络后退避机制的性能分析

  2. 无线局域网随机访问协议的性能分析是近年来的研究热点，而现有的模型还未能对其后退避机制进行有效刻画。基于一种两阶段的马尔可夫模型，分析非饱和业务状态下随机访问网络的性能。首先，利用嵌入式马尔可夫链描述每个站点队头分组的服务过程，引入虚拟服务时间的概念，即将传输成功之后的后退避也看成队头分组服务时间的一部分，从而得到队头分组的虚拟服务时间分布。然后，将每个用户队列看成一个Geo/G/1系统，求得非饱和业务状态下系统吞吐量、时延等参数的闭合解表达式以及系统的稳定区间。仿真结果验证了模型的准确性。本文所

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：2097152
    • 提供者：weixin_38576392

  1. 马尔可夫决策过程复杂性的熵测度

  2. 应用Shannon 熵和其他熵指数来度量马尔可夫决策的复杂性1 将马尔可夫链的复杂性、不确定性和不可预 测性的度量扩展到马尔可夫决策, 提出一套基于信息理论的复杂性度量方法, 可用于随机和确定性策略下的完全观 测和不完全观测马尔可夫决策. 对有关数值进行仿真研究, 并给出了计算结果.

  3. 所属分类：其它

    • 发布日期：2021-01-15
    • 文件大小：345088
    • 提供者：weixin_38628175

  1. 基于随机泛函的免疫进化算法收敛性及性能分析

  2. 分析基于免疫响应原理的免疫进化算法流程和运行机制.根据免疫抗体群的状态转移过程,研究免疫进化算法的马尔科夫随机过程,并采用随机泛函分析算法的收敛性,突破传统马尔可夫链方法对解空间较大问题分析的局限性.根据免疫进化算法参数构成和抗体种群达到吸收态的转换特性,采用泛函理论论证算法收敛速度估计、时间复杂度计算和参数选择原则.通过实验总结影响免疫进化算法收敛性的关键因素,为解空间较大及高维优化问题的免疫进化算法收敛性和性能分析提供可行方法.

  3. 所属分类：其它

    • 发布日期：2021-01-13
    • 文件大小：495616
    • 提供者：weixin_38514872