مرشح الجسيمات مع البيانات المفقودة
مرشح جسيمات مُكيَّف لنماذج فضاء الحالة التي تغيب فيها بعض المشاهدات. يتتبع الخوارزمية حالة مخفية عبر الزمن باستخدام سحابة من العينات العشوائية الموزونة (الجسيمات)؛ عندما لا توجد قيمة مُشاهدة في خطوة زمنية، يتم ببساطة تخطي خطوة تحديث الوزن، بحيث تنتشر الجسيمات للأمام باستخدام نموذج الانتقال فقط حتى تصل بيانات جديدة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Doucet, A., de Freitas, N. & Gordon, N. J. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Doucet, A., Godsill, S. & Andrieu, C. (2000). On sequential Monte Carlo sampling methods for Bayesian filtering. Statistics and Computing, 10(3), 197-208. DOI: 10.1023/A:1008935410038 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/ar/bayesian/particle-filter-with-missing-data
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- الاستدلال البايزي مع البيانات المفقودةبايزي↔ compare
- مرشح الجسيمات الديناميكيبايزي↔ compare
- مرشح كالمان مع البيانات المفقودةبايزي↔ compare
- الاستمثال البايزي المتسلسل مع البيانات المفقودةبايزي↔ compare
- مرشح الجسيمات (مونت كارلو التسلسلي)بايزي↔ compare
- مونت كارلو التسلسليبايزي↔ compare