贝叶斯隐马尔可夫模型是一种用于分割连续多变量数据的概率模型。该模型将数据解释为一系列隐藏状态生成。每个状态都是重尾分布的有限混合，具有特定于状态的混合比例和共享的位置/分散参数。 

 相关视频：马尔可夫链原理可视化解释与R语言区制转换Markov regime switching实例

，时长07:25

相关视频

，时长08:47

该模型中的所有参数都配备有共轭先验分布，并通过变化的贝叶斯（vB）推理算法学习，其本质上与期望最大化相似。该算法对异常值具有鲁棒性，并且可以接受缺失值。

去年，我们为一家公司进行了短暂的咨询工作，该公司正在构建一个主要基于贝叶斯隐马尔可夫hmm的分析应用程序。本文从未知的BRHMM生成一组数据序列 参数，并仅从这些数据中估算出 生成它们的模型。 结果绘制为 时间序列 

 设置状态，符号和特征的数量 

NumState=2;

NumSym=3;

NumFeat=5;

 设置序列数，每个序列点数和缺失值 

NumSeq=2;

NumPoint=100;

NumMiss=20;

 设置参数生成选项。TransParam=1/5 

EmissParam=1/5;

LocParam=2;

DispParam=5;

 设置采样选项 

NumDeg=5;

NumObs=1000;

 打印 和显示状态 

fprintf('\n')

fprintf('Sampling data ... ')

 生成用于采样的参数 

[Trans,Emiss,Loc,Disp]=GenParam(NumState,NumSym,NumFeat,...

TransParam,EmissParam,LocParam,DispParam);

 创建用于采样的模型 

Obj= bhnn(NumState,NumSym,NumFeat);

 设置超参数 

Obj.TransWeight=Trans;

Obj.TransStren(:)=NumObs;

Obj.EmissWeight=Emiss;

Obj.EmissStren(:)=NumObs;

Obj.CompLoc=Loc;

Obj.CompScale(:)=NumObs;

Obj.CompDisp=Disp;

Obj.CompPrec(:)=max(NumObs,NumFeat);

 采样数据并随机删除值 

 更新状态 

fprintf('Done\n')

fprintf('Estimating model ... ')

 创建估计模型 

Obj=BHMM(NumState,NumSym,NumFeat);

 约束过渡参数 

Obj.TransWeight=Trans;

Obj.TransStren(:)=NumObs;

 估计模型和状态概率 

 更新状态 

 

 绘制结果 

% 更新状态 
fprintf('Done\n')

fprintf('\n')

end

  

---