Sekventiel Monte Carlo med manglende data
Sekventiel Monte Carlo (SMC) med manglende data udvider det standard partikelfilter til tilstands-rum modeller, hvor nogle observationer er fraværende. Når en observation mangler ved et givet tidstrin, springes opdateringstrinnet simpelthen over: partikler propagere fremad gennem overgangsmodellen uden re-vægtning, hvilket bevarer præcis Bayesiansk inferens under ethvert mønster af manglende data, så længe manglende data er ignorerbare (manglende tilfældigt eller manglende helt tilfældigt).
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. (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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/da/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.
- Bayesiansk inferens med manglende dataBayesiansk↔ compare
- Dynamisk Sekventiel Monte CarloBayesiansk↔ compare
- Gibbs Sampling med manglende dataBayesiansk↔ compare
- Kalmanfilter 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 →