الاستمثال المونتي كارلو التسلسلي مع البيانات المفقودة
يمتد الاستمثال المونتي كارلو التسلسلي (SMC) مع البيانات المفقودة إلى المرشح الجسيمي القياسي للنماذج ذات الحالة الفضائية التي تكون فيها بعض المشاهدات غائبة. عندما تكون المشاهدة مفقودة عند خطوة زمنية معينة، يتم ببساطة تخطي خطوة التحديث: يتم نشر الجسيمات إلى الأمام عبر نموذج الانتقال دون إعادة ترجيح، مع الحفاظ على الاستدلال البايزي الدقيق تحت أي نمط بيانات مفقودة طالما أن الفقدان يمكن تجاهله (مفقود عشوائيًا أو مفقود تمامًا عشوائيًا).
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. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ar/bayesian/sequential-monte-carlo-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
- مونت كارلو التسلسلي الديناميكيبايزي↔ compare
- أخذ العينات بجيبس مع البيانات المفقودةبايزي↔ compare
- مرشح كالمان مع البيانات المفقودةبايزي↔ compare
- مرشح الجسيمات (مونت كارلو التسلسلي)بايزي↔ compare
- مونت كارلو التسلسليبايزي↔ compare