فیلتر کالمن با دادههای گمشده
فیلتر کالمن با دادههای گمشده، فیلتر کالمن کلاسیک را برای پردازش سریهای زمانی که در آنها برخی مشاهدات غایب هستند، تعمیم میدهد. هنگامی که یک مشاهده در زمان t گمشده است، گام بهروزرسانی نادیده گرفته میشود و تخمین حالت صرفاً از گام پیشبینی به جلو منتقل میشود. این رویکرد، همراه با الگوریتم امید-بیشینهسازی (EM)، پارامترهای ناشناخته مدل را از دادههای ناقص تخمین میزند و آن را به ابزاری عملی برای سریهای مشاهدهشده نامنظم در دنیای واقعی تبدیل میکند.
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
- Shumway, R. H. & Stoffer, D. S. (2000). Time Series Analysis and Its Applications. Springer. ISBN: 978-0387989501
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/fa/bayesian/kalman-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.
- استنتاج بیزی با دادههای گمشدهبیزی↔ compare
- الگوریتم EMآمار↔ compare
- فیلتر کالمنبیزی↔ compare
- فیلتر ذرات با دادههای گمشدهبیزی↔ compare
- مونتکارلوی ترتیبیبیزی↔ compare
- مدل فضای حالت (فیلتر کالمن)اقتصادسنجی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →