| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-9页 |
| 第一章 引言 | 第9-13页 |
| 1.1 研究背景、意义及国内外研究现状 | 第9-11页 |
| 1.2 本文主要内容及创新之处 | 第11-13页 |
| 第二章 基于隐马尔可夫模型的双链马尔可夫模型研究 | 第13-21页 |
| 2.1 隐马尔可夫模型(Hidden Markov Model,HMM) | 第13-17页 |
| 2.1.1 HMM符号化 | 第13-14页 |
| 2.1.2 与HMM基本问题有关的概念及算法 | 第14-17页 |
| 2.2 双链马尔可夫模型(DCMM) | 第17-18页 |
| 2.2.1 DCMM简介 | 第17页 |
| 2.2.2 DCMM符号化 | 第17-18页 |
| 2.2.3 DCMM的基本问题 | 第18页 |
| 2.3 由HMM到DCMM的推导关系及分析 | 第18-19页 |
| 2.4 HMM到DCMM的推导 | 第19-20页 |
| 2.4.1 DCMM相关概念 | 第19页 |
| 2.4.2 DCMM学习问题的EM算法 | 第19页 |
| 2.4.3 DCMM解码问题的Viterbi算法 | 第19-20页 |
| 2.5 小结 | 第20-21页 |
| 第三章 近似贝叶斯计算方法简介 | 第21-27页 |
| 3.1 背景 | 第21-22页 |
| 3.2 近似贝叶斯计算的基本思想 | 第22-23页 |
| 3.2.1 ABC-rejection算法 | 第22-23页 |
| 3.2.2 概括统计量 | 第23页 |
| 3.3 近似贝叶斯计算方法演变过程 | 第23-24页 |
| 3.3.1 Rejection Algorithm | 第23页 |
| 3.3.2 'Mechanical' Rejection Algorithm | 第23-24页 |
| 3.3.3 Approximate Rejection Algorithm | 第24页 |
| 3.3.4 Approximate Rejection Algorithm With Summaries | 第24页 |
| 3.4 数值实例 | 第24-25页 |
| 3.5 小结 | 第25-27页 |
| 第四章 基于近似贝叶斯计算的HMM隐状态估计 | 第27-37页 |
| 4.1 问题描述 | 第27页 |
| 4.2 基于离子滤波的HMM隐状态估计 | 第27-31页 |
| 4.2.1 离子滤波估计过程描述 | 第28-29页 |
| 4.2.2 建议分布选取 | 第29页 |
| 4.2.3 重抽样 | 第29页 |
| 4.2.4 粒子滤波算法 | 第29-31页 |
| 4.3 基于Approximate Bayesian Computation(ABC)的HMM隐状态估计 | 第31-33页 |
| 4.3.1 ABC的引入 | 第31-32页 |
| 4.3.2 ABC目标的构建 | 第32页 |
| 4.3.3 ABC目标的SMC算法 | 第32-33页 |
| 4.4 数值模拟 | 第33-36页 |
| 4.5 小结 | 第36-37页 |
| 第五章 基于SMC和SPSA的自适应容忍度ABC-HMM参数估计方法 | 第37-51页 |
| 5.1 问题描述 | 第37-38页 |
| 5.2 模型和近似 | 第38-42页 |
| 5.2.1 模型和估计 | 第38-39页 |
| 5.2.2 ABC近似 | 第39-40页 |
| 5.2.3 偏差结果 | 第40-42页 |
| 5.3 计算方法 | 第42-44页 |
| 5.3.1 SMC方法 | 第42-43页 |
| 5.3.2 SPSA方法 | 第43-44页 |
| 5.4 基于SMC和SPSA的自适应容忍度ABC-HMM参数估计方法 | 第44-46页 |
| 5.4.1 容忍度水平ε的自适应调整 | 第44页 |
| 5.4.2 自适应容忍度ABCSMC方法 | 第44-46页 |
| 5.5 数值模拟 | 第46-50页 |
| 5.5.1 问题描述 | 第46-47页 |
| 5.5.2 算法精度及α、N、M变化对算法的影响 | 第47-50页 |
| 5.6 小结 | 第50-51页 |
| 第六章 总结 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 硕士期间发表及完成论文清单 | 第57-58页 |
| 致谢 | 第58-59页 |
