Hidden Markov trong PyMC3

Question

Tôi có một vấn đề đa biến Monte-Carlo Hidden Markov để giải quyết:

x[k] = f(x[k-1]) + B u[k] 
    y[k] = g(x[k]) 

nơi:

x[k] the hidden states (Markov dynamics) 
y[k] the observed data 
u[k] the stochastic driving process 

là PyMC3 đã trưởng thành, đủ để xử lý vấn đề này hay tôi nên ở lại với phiên bản 2.3? Thứ hai, bất kỳ tham chiếu nào đến các mô hình HM trong một khung công tác PyMC sẽ được đánh giá cao. Cảm ơn.

- Henk

Answer 1

Tôi đã làm điều tương tự với PyMC 2.x. U của tôi không phải là thời gian phụ thuộc mặc dù. Đây là ví dụ của tôi.

# we're using `some_tau` for the noise throughout the example. 
# this should be replaced with something more meaningful. 
some_tau = 1/.5**2 

# PRIORS 
# we don't know too much about the velocity, might be pos. or neg. 
vel = pm.Normal("vel", mu=0, tau=some_tau) 

# MODEL 
# next_state = prev_state + vel (and some gaussian noise) 
# That means that each state depends on the prev_state and the vel. 
# We save the states in a list. 
states = [pm.Normal("s0", mu=true_positions[0], tau=some_tau)] 
for i in range(1, len(true_positions)): 
    states.append(pm.Normal(name="s" + str(i), 
          mu=states[-1] + vel, 
          tau=some_tau)) 

# observation with gaussian noise 
obs = pm.Normal("obs", mu=states, tau=some_tau, value=true_positions, observed=True) 

Tôi đoán bạn cần mô hình hóa bạn như một danh sách RV. Họ cũng có sự phụ thuộc.

Dưới đây là câu hỏi ban đầu: PyMC: Parameter estimation in a Markov system

Dưới đây là ví dụ đầy đủ như IPython máy tính xách tay: http://nbviewer.ipython.org/github/sotte/random_stuff/blob/master/PyMC%20-%20Simple%20Markov%20Chain.ipynb