1) Time varying-Markov regime switching model
时变参数-马尔柯夫机制转换模型
3) time-varying parameter Markov regime switch model
时变参数马可夫情势转换模型
1.
This paper decomposed monetary growth uncertainty into two components:the untertainty which reflecting mac- roeconomic policy changes and the uncertainty about economic shocks by applying time-varying parameter Markov regime switch model and then investigated the effects of the two different sources of monetary growth uncertainty on macroeconom- ic activity based on monthly data from 1994 to 2005.
本文以1994-2005年间的月度数据为基础,利用时变参数马可夫情势转换模型将我国货币增长不确定性分解为宏观政策层面引发的不确定性和经济冲击引发的不确定性,进而考察两类货币增长不确定性对我国宏观经济的影响。
4) Mokov regime switching model
马尔可夫体制转换模型
5) Markov model
马尔柯夫链模型
1.
Prediction of Land-Use Change in Zhangdu Watershed based on a Markov Model;
基于TM卫星遥感数据,在GIS技术支持下,建立了涨渡湖流域土地利用数据库;通过提取湿地信息,运用马尔柯夫链模型对该流域土地利用特别是湿地资源在2010年~2015年的数量变化进行预测;运用GIS软件制作了2015年主要变化类型土地的密度分布图,并从人文因素方面阐述了变化的原因。
6) Markov model
马尔柯夫模型
1.
Taking the mixing transport paving system for example,the Markov model and the availability model of construction mechanization system of high grade pavement are established.
以搅拌—运输—摊铺系统为例 ,先后建立了高等级路面施工机械化系统的马尔柯夫模型及有效度模型 ,进而对系统处于各种状态下的概率随工作时间的变化、系统有效度随失效率、维修率的变化分别进行了分析 ,最后得出为保证系统能够连续性流水线式施工作业 ,应适当降低各子系统的失效率 ,适当提高各子系统的维修率等结
2.
Based on Markov Model and probability distribution function,a relative meteorological yield prediction model of wheat was developed by analyzing the inter-annual time series variations of meteorological component of crop yield which was determined by the meteorological factors.
通过分析粮食单产中气象产量分量时间序列的变化规律,综合运用马尔柯夫模型和概率密度分布函数,构建相对气象产量预测模型。
3.
With the methods of ARC/INFO and landscape space model-Markov model, the research indicated the landscape structure in Liangshui Nature Reserve has changed and the types of landscape patches have been increased.
采用ARC/INFO和景观空间模型———马尔柯夫模型方法,系统分析凉水自然保护区三个时段的景观动态变化。
补充资料：马尔可夫参数估计
通过对传递函数阵（见传递函数）的辨识求出马尔可夫参数，以建立系统最小实现状态方程的非参数模型辨识方法。对于离散的单输入单输出系统，脉冲响应权序列{hi，i＝0，1，...}的Z变换就是脉冲传递函数H(z)，即 。对于满足完全可观测和完全可控条件的多输入多输出系统，存在着形式上与{hi}序列相似的非参数模型{Ji，i＝0，1,...}。如果多输入多输出的传递函数阵为G(z)，它可以表示为
G(z)＝D＋J0z-1＋J1z-2＋...这个矩阵序列{Ji，i＝0，1，...}称为多输入多输出系统的马尔可夫参数。多输入多输出系统辨识的困难在于无法得到惟一解，但可考虑其最小实现的辨识。设线性定常系统为
x(k＋1)＝Ax(k)＋Bu(k)
y(k)＝Cx(k)＋Du(k)式中x(k)是n维状态向量，y(k)是m维观测向量,u(k)为r维输入。系统的等价类上的传递函数为
G(z)＝C(zI-A)-1B＋D由定义JiCAiB 所给出的马尔可夫参数与G(z)之间的关系即符合上述Z变换的关系。由马尔可夫参数{Ji}构成的汉克尔矩阵Hn为
其中On为完全可观测矩阵，Cn为完全可控矩阵。由系统的完全可控与完全可观测的假定可知：rank (On) ＝n,rank(Cn)＝n,亦即rank(Hn)＝n。因此,系统为最小实现的充分必要条件是：由马尔可夫参数构成的汉克尔矩阵的秩为 n。为了获得马尔可夫参数的估计，需要先辨识传递函数阵G(z)，然后把G(z)展成z-1的矩阵多项式,其相应的系数矩阵就是马尔可夫参数的估计。辨识马尔可夫参数的目的在于建立最小实现的状态方程，著名的方法之一是何-卡尔曼方法,可表述为:给定{Ji，i＝0,1,2，...},存在有穷维最小实现(A，B，C),它以Ji为其马尔可夫参数的充分必要条件是存在一个整数q及常数α1，α2，...，αq,使对任何j≥0有。
G(z)＝D＋J0z-1＋J1z-2＋...这个矩阵序列{Ji，i＝0，1，...}称为多输入多输出系统的马尔可夫参数。多输入多输出系统辨识的困难在于无法得到惟一解，但可考虑其最小实现的辨识。设线性定常系统为
x(k＋1)＝Ax(k)＋Bu(k)
y(k)＝Cx(k)＋Du(k)式中x(k)是n维状态向量，y(k)是m维观测向量,u(k)为r维输入。系统的等价类上的传递函数为
G(z)＝C(zI-A)-1B＋D由定义JiCAiB 所给出的马尔可夫参数与G(z)之间的关系即符合上述Z变换的关系。由马尔可夫参数{Ji}构成的汉克尔矩阵Hn为
其中On为完全可观测矩阵，Cn为完全可控矩阵。由系统的完全可控与完全可观测的假定可知：rank (On) ＝n,rank(Cn)＝n,亦即rank(Hn)＝n。因此,系统为最小实现的充分必要条件是：由马尔可夫参数构成的汉克尔矩阵的秩为 n。为了获得马尔可夫参数的估计，需要先辨识传递函数阵G(z)，然后把G(z)展成z-1的矩阵多项式,其相应的系数矩阵就是马尔可夫参数的估计。辨识马尔可夫参数的目的在于建立最小实现的状态方程，著名的方法之一是何-卡尔曼方法,可表述为:给定{Ji，i＝0,1,2，...},存在有穷维最小实现(A，B，C),它以Ji为其马尔可夫参数的充分必要条件是存在一个整数q及常数α1，α2，...，αq,使对任何j≥0有。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条