Partikelfilter mit fehlenden Daten
Ein Partikelfilter, der für Zustandsraummodelle angepasst ist, bei denen einige Beobachtungen fehlen. Der Algorithmus verfolgt einen verborgenen Zustand über die Zeit mithilfe einer Wolke gewichteter Zufallsstichproben (Partikel); wenn ein Zeitschritt keinen beobachteten Wert aufweist, wird der Gewichtungsaktualisierungsschritt einfach übersprungen, sodass sich die Partikel nur mithilfe des Übergangsmodells vorwärtsbewegen, bis neue Daten eintreffen.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/de/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.
- Bayes'sche Inferenz bei fehlenden DatenBayes-Statistik↔ compare
- Dynamischer PartikelfilterBayes-Statistik↔ compare
- Kalman-Filter bei fehlenden DatenBayes-Statistik↔ compare
- MCMC bei fehlenden DatenBayes-Statistik↔ compare
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →