الگوریتم پویای متروپولیس-هستینگز
الگوریتم پویای متروپولیس-هستینگز (Dynamic MH) از نمونهگیر MCMC متروپولیس-هستینگز برای مدلهای بیزی فضای حالت و پارامترهای متغیر با زمان استفاده میکند. در هر گام زمانی، حالتهای نهان یا پارامترهای در حال تحول از طریق حرکات پیشنهاد و پذیرش بهروزرسانی میشوند و توزیعهای پسین کامل را بر روی مسیرها به جای تخمینهای فیلتر شده منفرد تولید میکنند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97–109. DOI: 10.1093/biomet/57.1.97 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/fa/bayesian/dynamic-metropolis-hastings-algorithm
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.
- استنتاج بیزی پویابیزی↔ compare
- نمونهگیری گیبسبیزی↔ compare
- فیلتر کالمنبیزی↔ compare
- الگوریتم متروپولیس-هستینگزبیزی↔ compare
- فیلتر ذرهای (مونت کارلوی ترتیبی)بیزی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →