通过考虑与速率常数参数和动力学模型结构误差相关的不确定性，在该研究中使用贝叶斯推断来评估α-pine烯的热异构化速率同意的后验分布。 α-pine烯的热异构化动力学模型显示具有数学上不适的系统，这使得难以应用基于梯度的优化方法进行速率常数评估。 贝叶斯推断将速率常数的后验概率分布与满足实验测量浓度的反应产物模型浓度和参数的先验概率分布的似然概率相关联。 马尔可夫链蒙特卡洛（MCMC）用于从后验分布中抽取样本，同时考虑贝叶斯推断关系。 本研究应用多项式随机游走Metropolis-Hastings来构建速率常数，置信区间和相关系数矩阵的直方图。 结果表明，考虑到不确定性，贝叶斯方法可以成功地应用于估计反应模型速率常数的置信区间。

Matlab集成的c代码泰勒冰川14C数据的马尔可夫链蒙特卡罗算法 此自述文件提供了用MATLAB编写的Markov Chain Monte Carlo（MCMC）算法的基本描述。 MCMC方法用于通过μ子约束宇宙成因14C生产模型中的两个参数。 为简单起见，使用MCMC方法优化的两个模型参数是“ fneg ”和“ ffast ” –负μon捕获和快速μonReact的相应缩放因子，其深度相对恒定。 MCMC方法旨在根据给定的观测值优化这两个参数-在这种情况下，这表示从钻探的冰芯获得的7个独特深度水平（6.85m，15m，19.5m，40m，51m，61.5m，72m）中的14个总计14C测量值在南极的泰勒冰川。 档案说明 外部资料一种。 flowpath_MC.mat –包含1000个流路径的池（请参阅第1节） b。 flowpath_trim.mat –包含没有撞到基岩中的流路（请参阅第2节） C。 P_neutron.mat –中子的生产率与深度的函数关系（请参阅第3节） d。 P_muon.mat –蒙子的生产率与深度的函数关系（请参阅第3节） e。 all_data.mat

使用稳态概率矩阵模拟马尔可夫链并找到单个状态的长期概率

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：本书作者 Ricardo M. Czekster。书籍讲解了马尔可夫链及基本求解方法，包含Markov Chains、DTMC、CTMC等章节。可以在 https://github.com/czekster/markov 页面找到本书的基础材料，例如C编程代码和解决方案、MATLAB脚本、本书提供的示例的棱柱模型（CTMC/DTMC）等。 ◉ 目录： 第1章：Markov Chains（马尔科夫链） 第2章：DTMC（Discrete Time Markov Chains） 第3章：CTMC（Continuous Time Markov Chains） 第4章：More projects and models（更多项目与模型）

马尔可夫链建模的随机时延和丢包的网络控制系统的稳定性分析

该软件包含了论文中常用的，传统马尔科夫链与空间马尔可夫链，准备好数据即可一键生成结果，方便快捷。资源中是软件的文档。

马可夫链模型(Markvo Chain Model)在地理学研究之运用

这是关于马尔可夫链预测的文章。对计算机算法开发有很大的帮助。

该软件包包含 3 个 MCMC 功能： RWM.m - 具有最佳接受率调整的标准 Metropolis Hastings。 [N.Metropolis，AWRosenbluth，MNRosenbluth，AHTeller和E. Teller，“通过快速计算机进行状态计算的方程”，《化学物理学报》，第1卷。 21，没有。 6，第 1087-1092 页，1953 年] AM.m - 具有最佳接受率调整的自适应大都会。 [H。 Haario、E. Saksman 和 J. Tamminen，“自适应 Metropolis 算法”，伯努利，卷。 7，第 223-242 页，2001 年] FSS.m-具有最佳初始宽度调整的因子切片采样。 [MM Tibbits、C. Groendyke、M. Haran 和 JC Liechty，“自动因子切片采样”，《计算和图形统计杂志》，第 2 期。

基于加权马尔可夫链的降水预测应用研究.pdf