Йерархичен частицов филтър
Йерархичният частицов филтър разширява последователния Монте Карло метод (Sequential Monte Carlo) до модели на пространството на състоянията с множество нива на латентни променливи. Частиците се разпространяват на всяко ниво от йерархията, което позволява на метода да проследява едновременно както финозърнестата динамика на състоянието, така и по-бавно променящите се хиперпараметри, осигурявайки калибрирани апостериорни разпределения на всички нива на модела.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Briers, M., Doucet, A. & Maskell, S. (2010). Smoothing algorithms for state-space models. Annals of the Institute of Statistical Mathematics, 62(1), 61-89. DOI: 10.1007/s10463-009-0236-2 ↗
- Chopin, N., Jacob, P. E. & Papaspiliopoulos, O. (2013). SMC2: an efficient algorithm for sequential analysis of state-space models. Journal of the Royal Statistical Society: Series B, 75(3), 397-426. DOI: 10.1111/j.1467-9868.2012.01046.x ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/bg/bayesian/hierarchical-particle-filter
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.
- Йерархично Бейсианско заключениеБейсови методи↔ compare
- Йерархичен Монте Карло Марковски процесБейсови методи↔ compare
- Калманов филтърБейсови методи↔ compare
- Частицов филтър (последователен Монте Карло)Бейсови методи↔ compare
- Последователен Монте КарлоБейсови методи↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →