2) discrete parameter Markov chain
离散参数马尔可夫链
3) discrete time Markov chains
离散马尔可夫链
1.
We model the operating of the PAN using the theory of discrete time Markov chains, analysis the access probability of the ZigBee s MAC, derive the relation of the probability of access, nodes, the packets, propose some advices to ap.
本文对工作在饱和状态、信标使能、星形扑拓情况下的ZigBee网络进行了分析,引入离散马尔可夫链模型对其MAC层的接入概率进行讨论,推导出接入概率和节点数、帧长的关系,并提出了一些应用建议。
4) markov chain
马尔科夫链
1.
Application of fuzzy Markov chains model in landslide stability prediction;
模糊马尔科夫链状模型在斜坡稳定性预测中的应用
2.
Forecasting model and its application of energy structure and pollutant emission based on Markov chain;
基于马尔科夫链的能源结构与污染物排放预测模型及其应用
3.
Application of fuzzy Markov chain model in run-off prediction for Guijiang basin;
模糊马尔科夫链预测模型在桂江流域径流预测中的应用
5) Markov chains
马尔科夫链
1.
Validation of confidence of model based on Markov chains for evaluating effect of naval mine-sweeping;
马尔科夫链扫雷效果评估模型可信度验证
2.
Analysis of Algorithms Based on Markov Chains Model;
基于马尔科夫链的算法复杂度分析
3.
Most previous research on this problem is focused on its optimal models,a dynamic stochastic multi-airport ground-holding IP model is presented based on discrete-time Markov chains.
对空域流量控制采取的主要策略是地面等待延迟,对该问题的研究重点集中在其控制模型的优化方法上, 探讨了动态多机场地面等待间是(GHP)随机模型中机场容量的概率变化规律,提出了用马尔科夫链来刻画机场容量的概率变化规律。
6) Markov-chain
马尔科夫链
1.
Application of the grey model and Markov-chain method to line-shape control of cantilever construction of PC continuous rigid frame bridge;
灰色马尔科夫链在连续刚构桥梁施工线形控制中的应用
2.
This paper presents Markov-chain approach to support quantitative risk analysis in project risk management and a example is introduced to help to develop and share a greater understanding of Markov-chain approach.
本文探讨了随机过程中的马尔科夫链在项目风险管理中的应用。
3.
This study presents that residual of the grey model is a Markov-chain , then presents a new residual modification model.
指出灰色模型的残差是一种马尔科夫链,并在此基础上提出马尔科夫残差修正灰色模型,并将其应用于公路网规划中的运输量的预测。
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