Subspace estimation and prediction methods for hidden Markov models
隐马尔可夫模型的子空间估计与预测方法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：摘要直接研究隐马尔可夫序列模型及多步预测方法，但未提供宏观经济应用。
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…
关注这篇论文的作者
隐马尔可夫模型的子空间估计与预测方法
- 研究问题
- 对于隐藏状态和输出均取有限值的隐马尔可夫模型，如何利用线性状态空间表示进行子空间估计，并获得一致的多步线性预测？
- 方法与思路
- 作者研究非最小线性状态空间表示的几何结构，并基于估计线性预测矩阵的奇异值分解及其特定因子分解构造子空间算法。
- 材料陈述的贡献
- 摘要称，转移与发射概率矩阵的估计在相似变换意义下一致，估计系统生成的多步线性预测也收敛于真实最优线性预测。
- 阅读关注点
- 应核对一致性所需条件、相似变换造成的参数解释限制，以及最优线性预测与完整条件预测之间的区别及算法实现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法确认状态数选择和概率约束处理；线性预测一致性不等同于一般最优预测一致性。
原文摘要
Hidden Markov models (HMMs) are probabilistic functions of finite Markov chains, or, put in other words, state space models with finite state space. In this paper, we examine subspace estimation methods for HMMs whose output lies a finite set as well. In particular, we study the geometric structure arising from the nonminimality of the linear state space representation of HMMs, and consistency of a subspace algorithm arising from a certain factorization of the singular value decomposition of the estimated linear prediction matrix. For this algorithm, we show that the estimates of the transition and emission probability matrices are consistent up to a similarity transformation, and that the m-step linear predictor computed from the estimated system matrices is consistent, i.e., converges to the true optimal linear m-step predictor.