Részecskeszűrő hiányzó adatokkal
Egy részecskeszűrő, amelyet olyan állapot-térbeli modellekhez adaptáltak, amelyekben egyes megfigyelések hiányoznak. Az algoritmus egy rejtett állapotot követ nyomon az idő múlásával súlyozott véletlen minták (részecskék) felhőjén keresztül; amikor egy időlépésnek nincs megfigyelt értéke, a súlyfrissítési lépést egyszerűen kihagyják, így a részecskék csak az átmeneti modell segítségével terjednek előre, amíg új adatok nem érkeznek.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle következtetés hiányzó adatokkalBayes-statisztika↔ compare
- Dinamikus részecskeszűrőBayes-statisztika↔ compare
- Kalman-szűrő hiányzó adatokkalBayes-statisztika↔ compare
- MCMC hiányzó adatokkalBayes-statisztika↔ compare
- A részecskeszűrő (szekvenciális Monte Carlo)Bayes-statisztika↔ compare
- Szekvenciális Monte CarloBayes-statisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →