Kalmanfilter med manglende data
Kalmanfilteret med manglende data udvider det klassiske Kalmanfilter til at håndtere tidsserier, hvor nogle observationer mangler. Når en observation mangler på tidspunkt t, springes opdateringstrinnet over, og tilstandsestimatet føres alene videre fra forudsigelsestrinnet. Kombineret med Expectation-Maximisation (EM) algoritmen estimerer tilgangen også ukendte modelparametre fra ufuldstændige data, hvilket gør det til et praktisk værktøj til uregelmæssigt observerede serier i den virkelige verden.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Shumway, R. H. & Stoffer, D. S. (2000). Time Series Analysis and Its Applications. Springer. ISBN: 978-0387989501
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
Sådan citerer du denne side
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/da/bayesian/kalman-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.
- Bayesiansk inferens med manglende dataBayesiansk↔ compare
- EM-algoritmenStatistik↔ compare
- Kalman-filterBayesiansk↔ compare
- Partikelfilter med manglende dataBayesiansk↔ compare
- Sekventiel Monte CarloBayesiansk↔ compare
- Model for tilstandsrum (Kalmanfilter)Økonometri↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →