Hierarchischer Partikelfilter
Ein hierarchischer Partikelfilter erweitert Sequentielle Monte Carlo auf Zustandsraummodelle mit mehreren Ebenen latenter Variablen. Partikel werden auf jeder Ebene der Hierarchie propagiert, was der Methode ermöglicht, sowohl feingranulare Zustandsdynamiken als auch langsamer variierende Hyperparameter gleichzeitig zu verfolgen und kalibrierte Posterior-Verteilungen über alle Modellebenen hinweg zu liefern.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Briers, M., Doucet, A. & Maskell, S. (2010). Smoothing algorithms for state-space models. Annals of the Institute of Statistical Mathematics, 62(1), 61-89. DOI: 10.1007/s10463-009-0236-2 ↗
- Chopin, N., Jacob, P. E. & Papaspiliopoulos, O. (2013). SMC2: an efficient algorithm for sequential analysis of state-space models. Journal of the Royal Statistical Society: Series B, 75(3), 397-426. DOI: 10.1111/j.1467-9868.2012.01046.x ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/de/bayesian/hierarchical-particle-filter
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.
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ compare
- Hierarchische Markov-Ketten-Monte-Carlo-VerfahrenBayes-Statistik↔ compare
- Kalman FilterBayes-Statistik↔ compare
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →