马尔可夫过程_srtp论文(9)

k 1

n 1

Si

(Xk) Sj(Xk 1)为状态Si到状态Sj的模糊转移频数。

⑶计算模糊转移频率Pij 模糊转移概率矩阵(Pij)M M。

Aij

Ai1 Ai2 AiM

(i,j 1,2, ,M)，以此为元素，构作

⑷通过隶属函数确定目前随机变量取值ut的模糊向量St (s1(ut),s2(ut), ,sM(ut))。 t 1的模糊向量为 ⑸以当前时刻为基期，则下一时刻的预测值u

t 1),s2(u t 1), ,sM(u t 1)) St P。 St 1 (s1(u

⑹将得到的St 1向量加入原状态向量序列，重复⑴~⑸，可得下一预测期的指数状态向量。

4.2 加权模糊马尔可夫链模型的思路

马尔可夫链预测法的关键问题在于状态转移概率矩阵的计算，因为状态转移概率的精确与否直接影响到最终预测值的精确度。加权模糊马尔可夫链预测模型就是在状态划分模糊的马尔可夫链基础上，对不同时段的状态转移概率矩阵加权求和，使得加权求和后得到的状态转移概率矩阵较之传统的更为精确。具体做法是：把原始数据按时间先后顺序排列后，把它们适当分成若干段，在每一段上都求出一个状态转移概率矩阵，然后分别赋予相应权重，加权求和后得一新的状态转移概率矩阵。最后，我们用这个新的状态转移概率矩阵预测下一期的证券指数。

这里有一个问题需要明确：若干转移概率矩阵的加权求和是否具有合理性？即加权求和后得到的矩阵是否还是一个转移概率矩阵？答案是肯定的。下面给出加权转移概率矩阵合理性的证明。

(k)(k)

, , m)，k 1,2, n为n个转移概率矩阵，即满足 (jk) 0,即已知：Pk ( 1(k), 2

m

向量的每一个分量不小于0(j 1,2, m)，且 (jk) e (1,1, 1)T, k为各转移概率矩

j 1

阵对应的权重，满足 k 0,(k 1,2, n)且 k 1。求证：P k Pk仍满足转移概

k 1

k 1

nn

率矩阵的条件。

搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新初中教育马尔可夫过程_srtp论文(9)全文阅读和word下载服务。