Filtar čestica s nedostajućim podacima
Filtar čestica prilagođen za modele prostora stanja u kojima nedostaju neke od opažanja. Algoritam prati skriveno stanje tijekom vremena pomoću oblaka ponderiranih slučajnih uzoraka (čestica); kada vremenski korak nema opaženu vrijednost, korak ažuriranja težine se jednostavno preskače, tako da se čestice šire naprijed koristeći samo prijelazni model dok ne stignu novi podaci.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/hr/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.
- Bayesijanska inferencija s nedostajućim podacimaBayesovska statistika↔ compare
- Dinamički filtar česticaBayesovska statistika↔ compare
- Kalmanov filtar s nedostajućim podacimaBayesovska statistika↔ compare
- MCMC s nedostajućim podacimaBayesovska statistika↔ compare
- Particle Filter (Sequential Monte Carlo)Bayesovska statistika↔ compare
- Sekvencijalno Monte CarloBayesovska statistika↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →