مونت کارلو متوالی با دادههای گمشده
مونت کارلو متوالی (SMC) با دادههای گمشده، فیلتر ذرات استاندارد را برای مدلهای فضای حالت که در آنها برخی مشاهدات غایب هستند، گسترش میدهد. هنگامی که یک مشاهده در یک گام زمانی معین گمشده است، گام بهروزرسانی به سادگی نادیده گرفته میشود: ذرات بدون وزندهی مجدد از طریق مدل انتقال به جلو منتشر میشوند و استنتاج بیزی دقیق را تحت هر الگوی داده گمشدهای تا زمانی که گمشدگی قابل چشمپوشی باشد (گمشده در تصادف یا کاملاً گمشده در تصادف) حفظ 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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/fa/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.
- استنتاج بیزی با دادههای گمشدهبیزی↔ compare
- مونت کارلو ترتیبی پویابیزی↔ compare
- نمونهگیری گیبس با دادههای گمشدهبیزی↔ compare
- فیلتر کالمن 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 →