Bayesian Inference in Hidden Markov Models Through the Reversible Jump Markov Chain Monte Carlo Method
通过可逆跳跃 MCMC 进行隐马尔可夫模型的贝叶斯推断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：摘要以隐马尔可夫模型描述观测依赖并估计其参数及成分数，对应时间序列方法；金融应用信息不足以细分金融方向。
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…
通过可逆跳跃 MCMC 进行隐马尔可夫模型的贝叶斯推断
- 研究问题
- 对于具有依赖性和较大变异程度的隐马尔可夫模型，如何在贝叶斯框架下同时估计模型参数与混合成分数量？
- 方法与思路
- 作者采用可逆跳跃马尔可夫链蒙特卡洛进行贝叶斯推断，以零均值正态分布混合作为主要示例，并用于金融、气象和地磁数据。
- 材料陈述的贡献
- 摘要称，可逆跳跃 MCMC 能用于同时估计隐马尔可夫模型的参数与成分数，并展示该方法在三个不同领域数据中的应用。
- 阅读关注点
- 应核对隐状态与混合成分的对应关系、先验和跨维跳跃设计、链的收敛诊断，以及应用中成分数量不确定性的表达方式。
- 阅读边界
- 仅据所给 Crossref 摘要；先验、算法诊断和应用结果未说明，金融数据的具体变量也未给出，不能推断波动率或收益预测表现。
原文摘要
Summary Hidden Markov models form an extension of mixture models which provides a flexible class of models exhibiting dependence and a possibly large degree of variability. We show how reversible jump Markov chain Monte Carlo techniques can be used to estimate the parameters as well as the number of components of a hidden Markov model in a Bayesian framework. We employ a mixture of zero-mean normal distributions as our main example and apply this model to three sets of data from finance, meteorology and geomagnetism.