Filtre particulaire avec données manquantes
Un filtre particulaire adapté aux modèles d'espace d'états dans lesquels certaines observations sont absentes. L'algorithme suit un état caché au fil du temps à l'aide d'un nuage d'échantillons aléatoires pondérés (particules) ; lorsqu'une étape temporelle n'a pas de valeur observée, l'étape de mise à jour des poids est simplement ignorée, de sorte que les particules se propagent en utilisant uniquement le modèle de transition jusqu'à l'arrivée de nouvelles données.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/fr/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.
- Inférence bayésienne avec données manquantesBayésien↔ compare
- Filtre particulaire dynamiqueBayésien↔ compare
- Filtre de Kalman avec données manquantesBayésien↔ compare
- MCMC avec données manquantesBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →