Hierarchický částicový filtr
Hierarchický částicový filtr rozšiřuje sekvenční Monte Carlo na stavově-prostorové modely s více úrovněmi latentních proměnných. Částice jsou propagovány na každé úrovni hierarchie, což umožňuje metodě současně sledovat jak jemnozrnnou dynamiku stavu, tak pomaleji se měnící hyperparametry, a poskytuje tak kalibrované aposteriorní distribuce na všech úrovních modelu.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/cs/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.
- Hierarchické Bayesovské odvozováníBayesovská statistika↔ compare
- Hierarchické vzorkování Markovovým řetězcem Monte CarloBayesovská statistika↔ compare
- Kalmanův filtrBayesovská statistika↔ compare
- Částicový filtr (sekvenční Monte Carlo)Bayesovská statistika↔ compare
- Sekvenční Monte CarloBayesovská statistika↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →