Sekvencijalno Monte Carlo uz nedostajuće podatke
Sekvencijalno Monte Carlo (SMC) uz nedostajuće podatke proširuje standardni čestični filtar na modele stanja-pokrivena (state-space models) u kojima nedostaju neke od promatranja. Kada je promatranje nedostupno u određenom vremenskom koraku, korak ažuriranja se jednostavno preskače: čestice se propagiraju unaprijed kroz prijelazni model bez ponovnog ponderiranja, čime se čuva egzaktnost Bayesovog zaključivanja pod bilo kojim uzorkom nedostajućih podataka, pod uvjetom da je nedostupnost zanemariva (nedostaje slučajno ili nedostaje potpuno slučajno).
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. (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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/hr/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.
- Bayesijanska inferencija s nedostajućim podacimaBayesovska statistika↔ compare
- Dinamičko sekvencijalno Monte CarloBayesovska statistika↔ compare
- Gibbs Sampling s nedostajućim podacimaBayesovska statistika↔ compare
- Kalmanov filtar 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 →