高阶马尔可夫链是自然语言和DNA序列处理中广泛应用的流行模型。然而，由于参数的数量随着马尔可夫链的阶数呈指数级增长，因此提出了几个替代模型类，以确保稳定性和更高的数据压缩率。这些模型的共同概念是，它们将用于预测下一个状态的可能样本路径聚类为不变性类，这些不变性类具有分配给同一类的相同条件分布。这些模型在对样本路径的合法分区施加约束方面尤其不同。在这里，我们考虑一类稀疏马尔可夫链，其划分是无约束的先验的引入了一种基于参数空间Delaunay三角剖分的递归计算方案，以实现后模划分的快速近似。与随机优化的比较，$\mathrm{<trans\; data-src="k">k个</trans>}$-平均数和最近邻算法表明，我们的方法速度快得多，平均起来可以更准确地估计底层分区。此外，我们还表明，递归步骤中用于比较三角剖分单元内容的准则导致稀疏马尔可夫模型中局部结构的一致估计。