Hello!
Adva van egy wifi mérés, aminek során egy olyan capture-t követtünk el, ahol megjelenik minden csomag, még akkor is, ha az átvitel során roncsolódott. Az átvitt információt ismerem. Azt is, hogy mi jött meg. ( hiszen azt mérem ). Mindezeket egy modellre kellene ráveszíteni, ami optimális esetben egy Gilbert modell ( 2 állapotú Markov modell, ahol az egyik állapot a jó átvitel, másik állapot meg a hibás átvitel ). Ehhez kellene nekem a mérés alapján illesztenem, csak épp kicsit régen volt a valószínűségszámítás. :(
Ha statisztikailag nézem, akkor simán a valószínűség a hibátlan/összes értéket jelenti, feltételezem, de javítsatok ki ha tévedek.
Nem tudom, hogy maga a modell megkövetel-e valami speciális megközelítést.
Előre is köszönet minden segítségért
- 1536 megtekintés
Hozzászólások
up
- A hozzászóláshoz be kell jelentkezni
Ahhoz, hogy megkapd, hogy mik az s1->s2 állapotátmenetek valószínűségei (jó->jó, jó->rossz stb.) P(s2|s1) feltételes valószínűség kell, ami C(s1,s2) / C(s1) -gyel becsülhető, ahol C(s1,s2) az s1 s2 állapotszekvencia gyakoriságát, C(s1) pedig az s1 állapot gyakoriságát jelenti.
- A hozzászóláshoz be kell jelentkezni
Köszönöm. a Választ. Sajnos nem tudom felvenni veled a kapcsolatot, csak így.
Mit kell értenem az állapotszekvencia gyakorisága alatt? Hogyan kaphatom ezt meg?
Tudsz ehhez esetleg valami szakirodalmat ajánlani?
- A hozzászóláshoz be kell jelentkezni
Az általad javasolt Markov modellel annyival tudsz többet mondani a folyamatodról, minthogy átlagban mennyi a hibás bit, hogy ezek a hibás bitek mennyire jönnek egyszerre - burstösen.
A kétállapotú Markov modellt úgy tudod leírni, hogy a négyféle állapotátmenet valószínűségét adod meg (amiket mátrixba szokás rendezni).
Namost az A->B állapotátmenet valószínűségét úgy méred (A és B lehet ugyanaz), hogy a feltéve, hogy A-ban vagyunk most mekkora a valószínűsége, hogy B-ben van a következő állpot. Tehát megszámolod az A állapotokat (x) és az A->B állapotátmeneteket (y) a mért szekvenciában, majd osztasz. Az y/x hányados lesz a az A->B állapotátmenet valószínűsége (feltéve hogy A-ban vagyunk, különben 0). Ezt az értéket kell a mátrixba írni.
Visszaellenőrizni úgy tudod a modellt, hogy a kiszámolt mátrix szerinti Markov láncot kicsit szimulálod és hasonlítod a mérttel. A hibás és hibátlan részek aránya ha egyezik, akkor valószínűleg a számítások helyesek. Aztán a hibás (és hibátlan) részek hosszából statisztikát csinálsz. Ennek az eloszlásának hasonlítani kellene a szimulált és a mért esetben. Ha nem hasonlít, akkor lehet rossz a számítás, de attól is lehet, hogy a kétállapotú Markov modell túl egyszerű feltételezés.
- A hozzászóláshoz be kell jelentkezni
Irodalom, bár félek, hogy jóval több, mint ami neked kell.
A modellezéshez nem értek, de 5. éves matematikus vagyok a BME-n sztochasztika főszakirányon. Szóval nyugodtan keress priviben.
A Markov tulajdonság feltételezi, hogy ha most JÓ csomag jött, akkor a következő csomag vagy JÓ p valószínűséggel, vagy ROSSZ 1-p valószínűséggel. Ha ROSSZ csomag jött, akkor a következő vagy JÓ q valószínűséggel, vagy ROSSZ 1-q valószínűséggel. A lényeg: nem függ a múlttól, azaz pl. a kettővel ezelőtti csomag nem befolyásolja a következő csomag valószínűségeit.
Nem csináltam még mérésillesztést. Én azokat számolnám meg, hogy hányszor van olyan, hogy JÓ csomag után JÓ csomag jön, majd ezt osztanám azzal, hogy hányszor jött JÓ csomag (ez gyakorlatilag az a szám, hogy JÓ csomag után bármi jött), ezzel becsülném meg p értékét. Majd hasonlóan q értékét is.
Megnézheted több féleképpen, hogy a modell megállja-e a helyét. Pl. nézd meg a 3 hosszú sorozatokat. Elvileg JÓ, JÓ után JÓ p valószínűséggel jön, ugyanúgy, mint ROSSZ, JÓ után JÓ.
- A hozzászóláshoz be kell jelentkezni