Hierarkkinen partikkelisuodin
Hierarkkinen partikkelisuodin laajentaa sekventiaalista Monte Carlo -menetelmää (SMC) usean tason piilomuuttujien tilamalleihin. Partikkeleita edistetään hierarkian kullakin tasolla, mikä mahdollistaa menetelmän seurata samanaikaisesti sekä hienojakoisia tiladynamiikkoja että hitaammin muuttuvia hyperparametreja, tuottaen kalibroidut posteriorijakaumat mallin kaikilla tasoilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Briers, M., Doucet, A. & Maskell, S. (2010). Smoothing algorithms for state-space models. Annals of the Institute of Statistical Mathematics, 62(1), 61-89. DOI: 10.1007/s10463-009-0236-2 ↗
- Chopin, N., Jacob, P. E. & Papaspiliopoulos, O. (2013). SMC2: an efficient algorithm for sequential analysis of state-space models. Journal of the Royal Statistical Society: Series B, 75(3), 397-426. DOI: 10.1111/j.1467-9868.2012.01046.x ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/fi/bayesian/hierarchical-particle-filter
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.
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ compare
- Hierarkkinen Markovin ketju -Monte CarloBayesilainen tilastotiede↔ compare
- Kalman-suodinBayesilainen tilastotiede↔ compare
- Partikkelisuodin (sekventiaalinen Monte Carlo)Bayesilainen tilastotiede↔ compare
- Sekventiaalinen Monte CarloBayesilainen tilastotiede↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →