Järjestikune Monte Carlo puuduvate andmetega
Järjestikune Monte Carlo (SMC) puuduvate andmetega laiendab standardset osakeste filtrit olekuruumi mudelitele, milles mõned vaatlused puuduvad. Kui vaatlus puudub antud ajahetkel, jäetakse uuendusetapp lihtsalt vahele: osakesi levitatakse üleminekumudeli kaudu edasi ilma ümberkaalumiseta, säilitades täpse Bayesi järelduse mis tahes puuduvate andmete mustri korral, eeldusel, et puudumine on ignoreeritav (juhuslikult puuduv või täiesti juhuslikult puuduv).
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/et/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.
- Bayes' järeldus puuduvate andmetegaBayesi meetodid↔ compare
- Dünaamiline järjestikune Monte Carlo meetodBayesi meetodid↔ compare
- Gibbs-valimi puuduvate andmetegaBayesi meetodid↔ compare
- Kalmani filter puuduvate andmetegaBayesi meetodid↔ compare
- Particle Filter (Sequential Monte Carlo)Bayesi meetodid↔ compare
- Jadaline Monte CarloBayesi meetodid↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →