Filtre de partícules amb dades faltants
Un filtre de partícules adaptat per a models d'espai d'estats en els quals falten algunes observacions. L'algorisme fa un seguiment d'un estat ocult al llarg del temps utilitzant un núvol de mostres aleatòries ponderades (partícules); quan un pas de temps no té un valor observat, simplement s'omet el pas d'actualització del pes, de manera que les partícules es propaguen cap endavant utilitzant només el model de transició fins que arriben noves dades.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/ca/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.
- Inferència Bayesiana amb Dades FaltantsBayesià↔ compare
- Filtre de partícules dinàmicBayesià↔ compare
- El filtre de Kalman amb dades perdudesBayesià↔ compare
- MCMC amb dades perdudesBayesià↔ compare
- Filtre de partícules (Mètodes Sequencials de Monte Carlo)Bayesià↔ compare
- Monte Carlo SeqüencialBayesià↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →