求解二维马尔科夫链

相关文献很难找吧!

稍微修改原程序,

可以找到optimal lambda,hw,L;

然带入sigma1/sigma=1.1,数据不对

还得继续找出原因.

请问有人会写(2008)Adaptive CUSUM procedures with Markovian mean estimation的程序吗?

马尔科夫过程(MarKov Process)是一个典型的随机过程。设X(t)是一随机过程，当过程在时刻t0所处的状态为已知时，时刻t(t>t0)所处的状态与过程在t0时刻之前的状态无关，这个特性成为无后效性。无后效的随机过程称为马尔科夫过程。马尔科夫过程中的时同和状态既可以是连续的，又可以是离散的。我们称时间离散、状态离散的马尔科夫过程为马尔科夫链。马尔科夫链中，各个时刻的状态的转变由一个状态转移的概率矩阵控制。  
二维隐马尔科夫模型  
例如，采样窗是垂直方向的，自然想到是不是也可以在水平方向建立状态这就是二维隐马尔科夫模型，但是二维HMM的训练和识别算法的复杂性，使用不是很理想，嵌入式隐马尔科夫模型由一系列超状态组成，每个超状态又包含若干状态，称为嵌入状态，超状态反应其中的一维信息，嵌入状态反映另一维的信息，但是由于超状态内的状态之间没有状态的转移，所以不是真正的二维。只能看作是一个简化的二维。  

人脸的超状态模型就是刚才的从上到下的五个状态（前面的HMM中的五个状态），在各个超状态之间增加水平信息。转移关系还是从一个超状态到另一个超状态。嵌入的水平状态数为3，6，6，6，3用一个或多个分量的混合高斯密度函数表示。  

观测向量的提取，首先把人脸分为图像快。然后取图像块的灰度值或者变换系数组成一个观测向量，图像快采用遍历的方法进行采样，就是从上到下，从左到右，来获取图像的采样快。2D-DCT的低频分量。