matlab：praticle状态模拟

可以说我想模拟一个粒子状态，它可以是正常的（0）或兴奋的（1）在给定的帧。粒子处于激发状态f％的时间。如果粒子处于激发态，则它持续〜L帧（具有泊松分布）。我想模拟N个时间点的状态。因此，输入例如：matlab：praticle状态模拟

N = 1000; 
f = 0.3; 
L = 5;

，结果会像

state(1:N) = [0 0 1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 ... and so on]

与总和（州）/ N接近0.3

如何做到这一点？谢谢！

来源

2012-03-25 Art

粒子翻转状态的概率是多少？ – 2012-03-25 08:39:53

我真的不知道你是什么意思。我真正想要做的是模拟具有两种不同扩散系数的粒子的扩散行为，并且在一个状态或另一个状态中定义了更快和更慢的分量（f）和某种类型的寿命的一部分。我想首先模拟状态（在本例中是两个，但可能更多），然后根据状态（更快或更慢）模拟位移和坐标。我不知道这是否是最好的方法，但这是我心中的第一个方法:) – Art 2012-03-25 08:53:09

@ NoamN.Kremen当f = 0.3，状态1的长度为5.状态0的长度为on平均值应该是17（5/0.3），所以翻转从0到1的变化是0.06。编辑：不确定这个陈述是否完全正确。 – Bernhard 2012-03-25 10:00:00

%% parameters 
f = 0.3; % probability of state 1 
L1 = 5; % average time in state 1 
N = 1e4; 
s0 = 1; % init. state 
%% run simulation 
L0 = L1 * (1/f - 1); % average time state 0 lasts 
p01 = 1/L0; % probability to switch from 0 to 1 
p10 = 1/L1; % probability to switch from 1 to 0 
p00 = 1 - p01; 
p11 = 1 - p10; 
sm = [p00, p01; p10, p11]; % build stochastic matrix (state machine) 
bins = [0, 1]; % possible states 
states = zeros(N, 1); 
assert(all(sum(sm, 2) == 1), 'not a stochastic matrix'); 
smc = cumsum(sm, 2); % cummulative matrix 
xi = find(bins == s0); 
for k = 1 : N 
    yi = find(smc(xi, :) > rand, 1, 'first'); 
    states(k) = bins(yi); 
    xi = yi; 
end 
%% check result 
ds = [states(1); diff(states)]; 
idx_begin = find(ds == 1 & states == 1); 
idx_end = find(ds == -1 & states == 0); 
if idx_end(end) < idx_begin(end) 
    idx_end = [idx_end; N + 1]; 
end 
df = idx_end - idx_begin; 
fprintf('prob(state = 1) = %g; avg. time(state = 1) = %g\n', sum(states)/N, mean(df));

来源

2012-03-25 10:30:29 Serg

这真棒，谢谢很多Serg！ – Art 2012-03-26 03:28:58

激发态的平均长度为5.正常状态的平均长度，因此应该在12左右才能获得。

策略可以是这样的。

开始在状态0
从与平均L*(1-f)/f
泊松分布绘制的随机数a与a零填充状态阵列
从与平均L一个泊松分布绘制的随机数b
用状态数组填充b。
重复

另一种选择是考虑在切换概率，其中0-> 1和1-> 0的概率是不相等的条件。

来源

2012-03-25 10:07:48 Bernhard

matlab：praticle状态模拟

回答

相关问题