Sekvenční Monte Carlo s chybějícími daty
Sekvenční Monte Carlo (SMC) s chybějícími daty rozšiřuje standardní částicový filtr na stavově-prostorové modely, u nichž jsou některé pozorování nepřítomná. Když je pozorování v daném časovém kroku chybějící, krok aktualizace se jednoduše přeskočí: částice jsou propagovány vpřed pomocí přechodového modelu bez převažování, čímž se zachovává přesná Bayesovská inference pro jakýkoli vzor chybějících dat, pokud je chybějící informace ignorovatelná (chybí náhodně nebo zcela náhodně).
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. (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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/cs/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.
- Bayesovská inference s chybějícími datyBayesovská statistika↔ compare
- Dynamické sekvenční Monte CarloBayesovská statistika↔ compare
- Gibbsův vzorkovač s chybějícími datyBayesovská statistika↔ compare
- Kalmanův filtr 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 →