查询当前会话进程号

 新葡亰计算机网络     |      2020-04-20

    AND s.audsid = userenv('sessionid')

引用这句话的目的也是为了证明这一章节的重要性。

  from v$process P,  v$session S

澳门新葡亰网站正规吗,隐含马尔科夫模型

马尔科夫假设在随机过程中每个状态st的概率分布,只与它的前一个状态st-1有关,即![](http://www.forkosh.com/mathtex.cgi?{P澳门新葡亰网站靠谱吗,left(S_{t} |S_{1},S_{2},S_{3},S_{4}, ldots ,S_{t-1}right)={Pleft(S_{t} |S_{t-1}right) )
符合这个假设的随机过程成为马尔科夫过程,也称为马尔科夫链。

这一段是重点内容:
可以把这个马尔科夫链想象成一台机器,它随机的选择一个状态作为初始状态开始运行,并且按照马尔科夫链的规则持续选择后续状态。这样在运行了一段时间T后,就会产生一个状态序列:s1,s2,s3,... ,sT。根据这个序列,很容易得到某个状态si出现的次数#(si),也很容易得到si转换到sj的次数#(si,sj)。从而得到si转移到sj的概率:#(si,sj) / #(si)。

隐含马尔科夫模型是上述马尔科夫链的一个扩展。

隐含马尔科夫模型中任意时刻t的状态st是不可见的。因此上述的根据观察序列得到概率的方式都不再working。幸好隐含马尔科夫模型在每个t都会输出一个符号ot,这个ot与st相关并且只与st相关,这个被称为独立输出假设。

隐含马尔科夫模型

上图中下边一层的4个状态s不可见,这些s是典型的马尔科夫链,而它们输出的符号o是可见的。

根据上述的独立输出假设,我们可以得到如下公式:

![](http://www.forkosh.com/mathtex.cgi?{Pleft(O_{1},O_{2},O_{3} ,ldots |S_{1},S_{2},S_{3},ldots right)=prod {t}Pleft( o{t}|s_{t}right)} )

根据上述的马尔科夫假设,我们可以得到如下公式:

![](http://www.forkosh.com/mathtex.cgi?{Pleft( S_{1},S_{2},S_{3},ldotsright)=prod {t}Pleft( s{t}|s_{t-1}right)} )

使用以上两个公式与之前的通信问题中的最终推导式

![](http://www.forkosh.com/mathtex.cgi?{Pleft(O_{1},O_{2},O_{3} ,ldots |S_{1},S_{2},S_{3},ldots right)cdot Pleft( S_{1},S_{2},S_{3}right)} )

相比较,可以容易地看出这些公式在形态上相似。把独立输出和马尔科夫假设的两个公式相乘,可以正好得到之前在通信问题中我们所要求的内容。因此通信的解码问题完全可以使用隐含马尔科夫模型来解决。

就像前文所说的那样,我们要找到的是那个公式的所有参数情况下,概率最大的那一组s1,s2,s3,...。至于如何找到最大的概率进而找到这组状态串,可以利用维特比算法,在后边的章节会介绍。

--audsid: Auditing session ID

保留初心,砥砺前行

--userenv :返回当前用户环境的信息

隐含马尔科夫模型也是机器学习的主要工具之一。

WHERE P.addr = S.paddr  

因为科研中总是充满了马尔科夫。

上一篇:sql联合查询多个表 下一篇:没有了