فیلتر ذرات با دادههای گمشده
یک فیلتر ذرهای که برای مدلهای فضای حالت که در آنها برخی مشاهدات غایب هستند، تطبیق داده شده است. این الگوریتم یک حالت پنهان را در طول زمان با استفاده از ابری از نمونههای تصادفی وزندار (ذرات) ردیابی میکند؛ هنگامی که یک گام زمانی مقدار مشاهدهشدهای ندارد، مرحله بهروزرسانی وزن بهسادگی نادیده گرفته میشود، بنابراین ذرات فقط با استفاده از مدل انتقال به جلو منتشر میشوند تا زمانی که دادههای جدید برسند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/fa/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.
- استنتاج بیزی با دادههای گمشدهبیزی↔ compare
- فیلتر ذرات پویابیزی↔ compare
- فیلتر کالمن با دادههای گمشدهبیزی↔ compare
- MCMC با دادههای گمشدهبیزی↔ compare
- فیلتر ذرهای (مونت کارلوی ترتیبی)بیزی↔ compare
- مونتکارلوی ترتیبیبیزی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →