Scholar Hub/Chủ đề/#chuỗi markov/
Chuỗi Markov là một loại quá trình ngẫu nhiên, trong đó sự tiến triển của sự kiện trong tương lai chỉ phụ thuộc vào trạng thái hiện tại mà không phụ thuộc vào l...
Chuỗi Markov là một loại quá trình ngẫu nhiên, trong đó sự tiến triển của sự kiện trong tương lai chỉ phụ thuộc vào trạng thái hiện tại mà không phụ thuộc vào lịch sử của quá khứ. Nó được mô tả bởi các trạng thái đặc trưng và ma trận xác suất chuyển đổi, cho biết xác suất chuyển từ một trạng thái sang một trạng thái khác. Chuỗi Markov được ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm xử lý ngôn ngữ tự nhiên, dự báo tài chính, xử lý ảnh và nhiều lĩnh vực khác.
Chuỗi Markov có thể được biểu diễn bằng một tập hữu hạn các trạng thái (số trạng thái có thể là rời rạc hoặc liên tục) và một ma trận xác suất chuyển đổi giữa các trạng thái. Ma trận xác suất chuyển đổi mô tả xác suất chuyển từ trạng thái hiện tại sang trạng thái mới trong một bước thời gian.
Ví dụ, nếu có 3 trạng thái có tên là A, B và C, ta có thể biểu diễn ma trận xác suất chuyển đổi như sau:
A B C
A 0.5 0.2 0.3
B 0.1 0.6 0.3
C 0.4 0.1 0.5
Trong ma trận này, mỗi hàng và mỗi cột đại diện cho một trạng thái và giá trị tại hàng i, cột j là xác suất chuyển từ trạng thái i sang trạng thái j.
Chuỗi Markov được xác định bằng trạng thái ban đầu và việc chuyển đổi từ trạng thái này sang trạng thái khác thông qua các bước thời gian. Xác suất chuyển đổi trong ma trận xác suất chuyển đổi sẽ quyết định xác suất chuyển từ trạng thái hiện tại sang trạng thái mới.
Chuỗi Markov có tính chất "bộ nhớ ngắn", có nghĩa là dự đoán tương lai chỉ phụ thuộc vào trạng thái hiện tại và không quan tâm đến lịch sử của các trạng thái trước đó. Điều này giúp giảm thiểu số lượng thông tin cần lưu trữ và tính toán trong quá trình phân tích và dự đoán.
Trong chuỗi Markov, có một số khái niệm quan trọng cần nắm vững:
1. Trạng thái: Là các trạng thái mà hệ thống có thể tồn tại trong quá trình thời gian. Ví dụ, trong mô hình thời tiết, các trạng thái có thể là "nắng", "mưa", "mây" và "gió".
2. Ma trận xác suất chuyển đổi: Đây là ma trận vuông có cùng kích thước với số lượng trạng thái trong chuỗi Markov. Xác suất ở hàng i và cột j trong ma trận là xác suất chuyển từ trạng thái i sang trạng thái j trong một bước thời gian. Mỗi hàng trong ma trận có tổng các giá trị là 1.
3. Xác suất chuyển đổi: Là xác suất chuyển từ trạng thái hiện tại sang trạng thái mới trong một bước thời gian.
4. Quá trình chuyển đổi: Là quá trình mà chuỗi Markov đi qua các trạng thái theo các xác suất chuyển đổi. Mỗi bước trong quá trình chuyển đổi được xác định bởi xác suất chuyển từ trạng thái hiện tại sang trạng thái mới.
5. Trạng thái ban đầu: Là trạng thái đầu tiên khi bắt đầu quá trình chuyển đổi.
Chuỗi Markov có thể được sử dụng để dự đoán các sự kiện trong tương lai, dựa vào trạng thái hiện tại và xác suất chuyển đổi giữa các trạng thái. Nó được ứng dụng trong nhiều lĩnh vực như dự báo thời tiết, phân tích tài chính, xử lý ngôn ngữ tự nhiên, nhận dạng mẫu và nhiều lĩnh vực khác.
Lấy mẫu độc lập Metropolized và so sánh với lấy mẫu từ chối và lấy mẫu quan trọng Dịch bởi AI Statistics and Computing - Tập 6 - Trang 113-119 - 1996
Mặc dù các phương pháp chuỗi Markov Monte Carlo đã được sử dụng rộng rãi trong nhiều lĩnh vực, nhưng phân tích riêng lượng chính xác cho các chuỗi được tạo ra như vậy là rất hiếm. Trong bài báo này, một thuật toán Metropolis-Hastings đặc biệt, lấy mẫu độc lập Metropolized, được đề xuất lần đầu bởi Hastings (1970), được nghiên cứu một cách chi tiết. Các giá trị riêng và các vector riêng của chuỗi Markov tương ứng, cũng như một giới hạn sắc nét cho khoảng cách biến thiên tổng thể giữa phân phối cập nhật thứ n và phân phối mục tiêu, được cung cấp. Hơn nữa, mối quan hệ giữa chế độ này, lấy mẫu từ chối và lấy mẫu quan trọng được nghiên cứu với sự nhấn mạnh vào hiệu quả tương đối của chúng. Đã chỉ ra rằng lấy mẫu độc lập Metropolized vượt trội hơn so với lấy mẫu từ chối ở hai khía cạnh: hiệu quả tiệm cận và độ dễ tính toán.
#chuỗi Markov Monte Carlo #phân tích giá trị riêng #thuật toán Metropolis-Hastings #lấy mẫu độc lập Metropolized #lấy mẫu từ chối #lấy mẫu quan trọng #hiệu quả tiệm cận #độ dễ tính toán.
NGHIÊN CỨU VÀ DỰ BÁO BIẾN ĐỘNG SỬ DỤNG ĐẤT TẠI THÀNH PHỐ NHA TRANG, TỈNH KHÁNH HÒA ỨNG DỤNG TRONG CHUỖI MARKOV VÀ GISNghiên cứu này nhằm ứng dụng GIS và chuỗi Markov để nghiên cứu và dự báo xu hướng biến động sử dụng đất trên địa bàn thành phố Nha Trang đến năm 2020. Kết quả nghiên cứu đã thành lập bản đồ biến động sử dụng đất giai đoạn 2010 – 2015 cho 5 loại sử dụng đất: nông nghiệp, lâm nghiệp, đất phi nông nghiệp, đất ở và đất chưa sử dụng; đồng thời đã phân tích nguyên nhân biến động sử dụng đất đai cũng như dự báo chiều hướng biến động sử dụng đất đến năm 2020 và đối chiếu so sánh với phương án quy hoạch sử dụng đất đến 2020 đã phê duyệt. Kết quả dự báo biến động sử dụng đất đến năm 2020 bằng chuỗi Markov so với phương án quy hoạch sử dụng đất thành phố Nha Trang có sự chênh lệch không quá lớn.
#biến động sử dụng đất # #chuỗi Markov # #dự báo sử dụng đất # #GIS
ỨNG DỤNG LÝ THUYẾT HÀNG ĐỢI TRONG VIỆC TỐI ƯU HÓA THIẾT KẾ DỊCH VỤNgày nay, khi khoa học kĩ thuật càng phát triển thì nhu cầu của khách hàng về sản phẩm, đặc biệt là sản phẩm dịch vụ càng khắt khe hơn. Trong xu thế cạnh tranh và toàn cầu hóa của nền kinh tế hiện nay, việc thỏa mãn nhu cầu của khách hàng là một yếu tố quan trọng đối với nhà thiết kế sản phẩm dịch vụ. Khách hàng luôn mong muốn được mua hàng hóa và dịch vụ với giá thành sản phẩm thấp nhưng chất luợng đảm bảo. Do vậy, việc giảm thiểu chi phí đồng thời thỏa mãn nhu cầu của khách hàng là một trong những vấn đề quan trọng trong tối ưu hóa thiết kế dịch vụ. Bài báo này nhằm mục đích đưa ra phương pháp tiếp cận lý thuyết hàng đợi để giải quyết các vấn đề tối ưu hóa trong thiết kế sản phẩm dịch vụ.
#lý thuyết hàng đợi #thiết kế tối ưu #sản phẩm-dịch vụ #chuỗi Markov #tối ưu hóa
Khai thác các quần thể ngẫu nhiên tương tác Dịch bởi AI Journal of Mathematical Biology - Tập 79 - Trang 533-570 - 2019
Chúng tôi phân tích vấn đề khai thác tối ưu cho một hệ sinh thái của các loài chịu tác động của môi trường ngẫu nhiên. Công trình của chúng tôi đã mở rộng đáng kể tài liệu hiện tại bằng cách tính đến các tương tác phi tuyến giữa các loài, giá cả phụ thuộc vào trạng thái và việc gieo giống các loài. Sự tổng quát chính là cho phép không chỉ khai thác, mà còn 'gieo' cá thể vào hệ sinh thái. Điều này được thúc đẩy bởi cách mà việc khai thác thủy sản và một số loài có nguy cơ tuyệt chủng được kiểm soát. Vấn đề khai thác trở thành việc tìm kiếm chiến lược khai thác- gieo giống tối ưu nhằm tối đa hóa tổng thu nhập dự kiến từ việc khai thác minus thu nhập bị mất từ việc gieo giống các loài. Phân tích của chúng tôi cho thấy các hiện tượng mới xuất hiện do khả năng gieo giống loài. Điều này đã được biết đến rằng các vấn đề khai thác đa chiều rất khó giải quyết. Chúng tôi có thể tiến bộ bằng cách đặc trưng hóa hàm giá trị như một nghiệm độ nhớt của các phương trình Hamilton–Jacobi–Bellman liên quan. Hơn nữa, chúng tôi cung cấp một định lý xác minh, cho chúng tôi biết rằng nếu một hàm có những thuộc tính nhất định, thì nó sẽ là hàm giá trị. Điều này cho phép chúng tôi chỉ ra một cách giải thích rằng, như đã được Lungu và Øksendal chỉ ra (Bernoulli 7(3):527–539, 2001), rằng gần như chắc chắn không bao giờ là tối ưu để khai thác hoặc gieo từ nhiều quần thể cùng một lúc. Thông thường, rất khó để tìm ra các nghiệm dạng đóng cho chiến lược khai thác- gieo giống tối ưu. Để vượt qua trở ngại này, chúng tôi gần đúng các hệ thống thời gian liên tục bằng các chuỗi Markov. Chúng tôi cho thấy rằng các chiến lược khai thác- gieo giống tối ưu của các xấp xỉ chuỗi Markov hội tụ tới chiến lược khai thác tối ưu đúng. Điều này được sử dụng để cung cấp các xấp xỉ số cho các chiến lược khai thác- gieo giống tối ưu và là bước đầu tiên để hiểu đầy đủ các phức tạp về cách thức một nên khai thác và gieo giống các loài tương tác. Cụ thể, chúng tôi xem xét ba ví dụ: một loài được mô hình hóa bằng sự khuếch tán Verhulst–Pearl, hai loài cạnh tranh và một hệ thống động vật ăn thịt–con mồi gồm hai loài.
#khai thác #môi trường ngẫu nhiên #gieo giống #chiến lược tối ưu #hệ sinh thái #chuỗi Markov
MÔ HÌNH HOÁ MÔ PHỎNG DI TẢN THÀNH MÔ HÌNH TUYẾN TÍNH DỰA TRÊN CHUỖI MARKOVHiện nay, sóng thần là một trong những thiên tai nghiêm trọng nhất đối với con người. Di tản là cách hiệu quả nhất để đương đầu với sóng thần cũng như một số thiên tai nghiêm trọng tương tự. Từ đó, bài toán mô phỏng việc di tản được đặt ra để dự đoán số lượng thương vong cũng như để chuẩn bị các giải pháp cứu hộ. Cùng với sự phát triển của hệ thống mô phỏng theo hướng tác tử (agent-based simulation), ngày càng nhiều mô phỏng di tản được xây dựng theo hướng này. Tuy vậy, hướng tiếp cận này gặp phải một vấn đề về tốc độ thực thi bởi vì tại mỗi thời điểm hệ thống phải thực hiện việc mô phỏng hành vi của từng cá thể. Hệ thống phải mô phỏng hành vi của con người vốn dĩ rất phức tạp. Điều này làm việc mô phỏng di tản có độ phức tạp quá lớn để thực hiện trên hệ thống máy tính hiện tại. Bài báo này trình bày việc mô hình hoá di tản thành mô hình tuyến tính dựa trên chuỗi Markov để tăng tốc độ xử lý.
#mô phỏng #mô hình hóa #hướng tiếp cận tác tử #chuỗi Markov #mô hình tuyến tính
Sự hội tụ của các chuỗi Markov đối xứng trên $${\mathbb{Z}^d}$$ Dịch bởi AI Springer Science and Business Media LLC - Tập 148 - Trang 107-140 - 2009
Với mỗi n, ký hiệu
$${Y^{(n)}_t}$$
là một chuỗi Markov đối xứng liên tục theo thời gian với không gian trạng thái
$${n^{-1} \mathbb{Z}^d}$$
. Các điều kiện liên quan đến tính dẫn điện được đưa ra để đảm bảo sự hội tụ của
$${Y^{(n)}_t}$$
về một quá trình Markov đối xứng Y
t
trên
$${\mathbb{R}^d}$$
. Chúng tôi có sự hội tụ yếu của
$$\{{Y^{(n)}_t: t \leq t_0\}}$$
cho mọi t
0 và mọi điểm khởi đầu. Quá trình giới hạn Y có một phần liên tục và cũng có thể có bước nhảy.
#chuỗi Markov #hội tụ #quá trình Markov đối xứng #không gian trạng thái
Độ tin cậy của hệ thống điện với tác động của biến đổi khí hậu lên các cấp độ phân cấp của hệ thống PV Dịch bởi AI Electric Power Systems Research - Tập 190 - Trang 106830 - 2021
Tốc độ biến đổi khí hậu ngày càng gia tăng có khả năng ảnh hưởng đến hiệu suất của hệ thống phát điện quang điện (PV) trong dài hạn. Bài báo này đề xuất một phương pháp đánh giá độ tin cậy dài hạn cho các hệ thống điện tích hợp PV, có tính đến tác động của biến đổi khí hậu ở các cấp độ phân cấp khác nhau của hệ thống PV. Các cấp độ phân cấp trong hệ thống PV được hình thành dựa trên các thành phần trong hệ thống PV, các phân hệ trong hệ thống PV, toàn bộ hệ thống PV, và cả cấp độ lưới điện. Ngoài ra, bài báo cũng đề xuất một giải pháp giảm thiểu tác động của biến đổi khí hậu đối với hệ thống PV thông qua thiết kế chủ động và áp dụng các chiến lược bảo trì nhằm ngăn chặn các hư hỏng thành phần có tính lũy tiến do tác động của biến đổi khí hậu. Phương pháp này xem xét nhiều yếu tố khí hậu khác nhau như nhiệt độ, bức xạ mặt trời và tốc độ gió, cũng như các yếu tố ảnh hưởng hiệu suất bao gồm ứng suất nhiệt, lão hóa và suy giảm do các sự cố nội tại trong khung đánh giá độ tin cậy. Phương pháp áp dụng mô phỏng Monte Carlo và chuỗi Markov. Một lợi ích quan trọng của phương pháp này là khả năng xác định các thành phần và phân hệ quan trọng trong hệ thống PV dẫn đến các hỏng hóc liên quan đến biến đổi khí hậu. Hai mô hình khí hậu được tích hợp để tạo ra các yếu tố biến đổi khí hậu cho các năm 2020, 2050 và 2080. Một loạt các nghiên cứu tình huống đã được thực hiện và kết quả cho thấy hiệu suất độ tin cậy suy giảm đáng kể dưới ảnh hưởng của biến đổi khí hậu. Các tác động này biến động theo thời gian khi tính đến hiện tượng lão hóa.
#Thuật ngữ chỉ mục #Biến đổi khí hậu #Mô hình chuỗi Markov #Mô phỏng Monte Carlo #Hệ thống PV #Đánh giá độ tin cậy
Kiểm tra cấu trúc phân tán của chuỗi thời gian đếm bằng cách sử dụng sai số Pearson Dịch bởi AI AStA Advances in Statistical Analysis - Tập 104 - Trang 325-361 - 2019
Sai số Pearson là công cụ được sử dụng rộng rãi để kiểm tra mô hình của chuỗi thời gian đếm. Mặc dù được ưa chuộng, nhưng vẫn chưa có nhiều thông tin về phân phối của chúng, khiến cho việc suy diễn thống kê trở nên khó khăn. Sai số Pearson bình phương được xem xét để kiểm tra cấu trúc phân tán điều kiện của chuỗi thời gian đếm đã cho. Đối với hai loại quá trình đếm Markov phổ biến, một xấp xỉ tiệm cận cho phân phối của các thống kê kiểm tra đã được đưa ra. Hiệu suất của các bài kiểm tra mới này được phân tích và so sánh với các đối thủ liên quan. Các ví dụ dữ liệu minh họa được trình bày, và các khả năng mở rộng phương pháp của chúng tôi cũng được thảo luận.
#Sai số Pearson #chuỗi thời gian đếm #kiểm tra thống kê #cấu trúc phân tán #quá trình Markov
Tính toán Phương pháp Thương lượng để Cân bằng Tỉ lệ Lợi ích Tối đa trong Các Trò chơi Chuỗi Markov Thời gian Liên tục Dịch bởi AI Computational Economics - Tập 54 - Trang 933-955 - 2018
Bài báo này trình bày một phương pháp mới để tính toán cân bằng thương lượng Kalai–Smorodinsky cho các trò chơi chuỗi Markov với thời gian liên tục và trạng thái rời rạc. Để giải quyết tình huống thương lượng, chúng tôi thiết lập điểm bất đồng là cân bằng Nash của vấn đề, sau đó để tìm điểm thỏa thuận mới, chúng tôi tuân theo mô hình thương lượng được trình bày bởi Kalai–Smorodinsky với việc áp dụng khái niệm điểm lý tưởng. Chúng tôi minh họa việc hình thành trò chơi dưới dạng phương trình lập trình phi tuyến bằng cách thực hiện nguyên lý Lagrange. Phương pháp điều chỉnh Tikhonov được áp dụng để đảm bảo sự hội tụ của các hàm chi phí về một điểm cân bằng. Để giải quyết vấn đề, chúng tôi sử dụng một phương pháp lập trình được thực hiện bằng cách tiếp cận tối ưu hóa extraproximal. Phương pháp được đề xuất được xác thực thông qua một ví dụ số liên quan đến vấn đề thị trường lao động cho một bài toán thương lượng ba người.
#Cân bằng thương lượng #chuỗi Markov #thời gian liên tục #điểm lý tưởng #lập trình phi tuyến #điều chỉnh Tikhonov #tối ưu hóa.
Phân tích hiệu suất của người dùng thứ cấp trong mạng radio nhận thức với việc chuyển giao tần số phản ứng Dịch bởi AI Springer Science and Business Media LLC - Tập 65 - Trang 539-550 - 2016
Mạng radio nhận thức sử dụng quyền truy cập tần số động của người dùng thứ cấp (SU) để giải quyết vấn đề về sự khan hiếm của phổ tần radio. Trong bài báo này, chúng tôi nghiên cứu hiệu suất của SU trong mạng radio nhận thức với việc chuyển giao tần số phản ứng. Trong quá trình truyền tải, một SU có thể bị gián đoạn nhiều lần do sự xuất hiện của các người dùng chính (được cấp phép). Sau mỗi lần gián đoạn trong việc chuyển giao tần số phản ứng, SU sẽ thực hiện việc cảm biến tần số để xác định một kênh nhàn rỗi cho việc phát lại. Chúng tôi phát triển hai mô hình chuỗi Markov liên tục với và không có trạng thái hấp thụ để nghiên cứu tác động của các tham số hệ thống như thời gian cảm biến và kích thước không gian cảm biến lên nhiều chỉ tiêu hiệu suất của SU. Các chỉ tiêu này bao gồm độ trễ trung bình của một SU, phương sai của độ trễ SU, xác suất gián đoạn của SU, số lần gián đoạn trung bình mà một SU trải qua, xác suất một SU bị loại khỏi hệ thống sau một lần gián đoạn và xác suất chặn của SU khi đến.
#mạng radio nhận thức #người dùng thứ cấp #chuyển giao tần số #cảm biến tần số #chuỗi Markov