Филтър с частици при липсващи данни
Филтър с частици, адаптиран за модели на състояние-пространство, в които някои наблюдения отсъстват. Алгоритъмът проследява скрито състояние във времето, използвайки облак от претеглени случайни извадки (частици); когато даден времеви интервал няма наблюдавана стойност, стъпката за актуализиране на теглото просто се пропуска, така че частиците се разпространяват напред, използвайки само преходния модел, докато не пристигнат нови данни.
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
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/bg/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.
- Байесовско извод при липсващи данниБейсови методи↔ compare
- Динамичен частицов филтърБейсови методи↔ compare
- Калманов филтър при липсващи данниБейсови методи↔ compare
- MCMC с липсващи данниБейсови методи↔ compare
- Частицов филтър (последователен Монте Карло)Бейсови методи↔ compare
- Последователен Монте КарлоБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →