Последователно Монте Карло с липсващи данни
Последователното Монте Карло (SMC) с липсващи данни разширява стандартния частичен филтър за модели на състояние-пространство, в които някои наблюдения отсъстват. Когато наблюдение липсва в дадена времева стъпка, стъпката на обновяване просто се пропуска: частиците се разпространяват напред през преходния модел без претегляне, запазвайки точно Байесово извеждане при всеки модел на липсващи данни, стига липсата да е пренебрежима (липсващи по случаен признак или напълно липсващи по случаен признак).
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. (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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/bg/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.
- Байесовско извод при липсващи данниБейсови методи↔ compare
- Динамично последователно Монте КарлоБейсови методи↔ compare
- Gibbs Sampling with Missing DataБейсови методи↔ compare
- Калманов филтър при 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 →