Partikelfilter med manglende data
Et partikelfilter tilpasset til tilstandsrummodeller, hvor nogle observationer mangler. Algoritmen sporer en skjult tilstand over tid ved hjælp af en sky af vægtede tilfældige stikprøver (partikler); når et tidsskridt ikke har nogen observeret værdi, springes vægt-opdateringstrinnet simpelthen over, så partiklerne forplanter sig fremad udelukkende ved hjælp af overgangsmodellen, indtil nye data ankommer.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/da/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.
- Bayesiansk inferens med manglende dataBayesiansk↔ compare
- Dynamisk partikelfilterBayesiansk↔ compare
- Kalmanfilter med manglende dataBayesiansk↔ compare
- MCMC med manglende dataBayesiansk↔ compare
- Partikelfilter (sekventiel Monte Carlo)Bayesiansk↔ compare
- Sekventiel Monte CarloBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →