Nonparametric identification and maximum likelihood estimation for hidden Markov models
隐马尔可夫模型的非参数识别与最大似然估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究隐马尔可夫状态序列的识别与估计，直接属于时间序列模型方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
隐马尔可夫模型的非参数识别与最大似然估计
- 研究问题
- 有限状态隐马尔可夫模型中，何种条件能够识别参数和状态数？允许灵活的状态依赖分布时，如何建立非参数最大似然估计理论？
- 方法与思路
- 作者在转移矩阵满秩且遍历、状态分布彼此不同的条件下研究识别，再利用模型的 KL 对比函数分析混合密度类中的非参数估计。
- 材料陈述的贡献
- 摘要称识别无需状态分布线性独立，混合分布本身的识别也无需作为所述一致性结论的假设，并用模拟研究估计和拟合优度检验。
- 阅读关注点
- 应核对状态标签置换如何处理、状态数识别的范围、混合密度类的一致性条件，以及数值估计与拟合优度检验的实现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要列出的识别条件不能替代估计一致性的完整条件，模拟结果未详述。
原文摘要
Nonparametric identification and maximum likelihood estimation for finite-state hidden Markov models are investigated. We obtain identification of the parameters as well as the order of the Markov chain if the transition probability matrices have full-rank and are ergodic, and if the state-dependent distributions are all distinct, but not necessarily linearly independent. Based on this identification result, we develop a nonparametric maximum likelihood estimation theory. First, we show that the asymptotic contrast, the Kullback-Leibler divergence of the hidden Markov model, also identifies the true parameter vector nonparametrically. Second, for classes of state-dependent densities which are arbitrary mixtures of a parametric family, we establish the consistency of the nonparametric maximum likelihood estimator. Here, identification of the mixing distributions need not be assumed. Numerical properties of the estimates and of nonparametric goodness of fit tests are investigated in a simulation study.