Částicový filtr s chybějícími daty
Částicový filtr upravený pro modely stavového prostoru, ve kterých některé pozorování chybí. Algoritmus sleduje skrytý stav v čase pomocí mraku vážených náhodných vzorků (částic); když časový krok nemá pozorovanou hodnotu, krok aktualizace vah je jednoduše přeskočen, takže se částice šíří vpřed pouze pomocí přechodového modelu, dokud nepřijdou nová data.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/cs/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.
- Bayesovská inference s chybějícími datyBayesovská statistika↔ compare
- Dynamický filtr částicBayesovská statistika↔ compare
- Kalmanův filtr s chybějícími datyBayesovská statistika↔ compare
- MCMC s chybějícími datyBayesovská statistika↔ compare
- Částicový filtr (sekvenční Monte Carlo)Bayesovská statistika↔ compare
- Sekvenční Monte CarloBayesovská statistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →