Szekvenciális Monte Carlo szűrés hiányzó adatokkal
A hiányzó adatokkal kiegészített szekvenciális Monte Carlo (SMC) módszer az általános részecskeszűrőt olyan állapot-térbeli modellekre terjeszti ki, amelyekben egyes megfigyelések hiányoznak. Amikor egy megfigyelés hiányzik egy adott időpillanatban, a frissítési lépést egyszerűen kihagyjuk: a részecskéket az átmeneti modellen keresztül továbbítjuk újrasúlyozás nélkül, így pontos Bayes-i következtetést biztosítunk bármilyen hiányzóadat-mintázat mellett, feltéve, hogy a hiányzás elhanyagolható (véletlenszerűen hiányzó vagy teljesen véletlenszerűen hiányzó).
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. (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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle következtetés hiányzó adatokkalBayes-statisztika↔ compare
- Dinamikus szekvenciális Monte Carlo módszerBayes-statisztika↔ compare
- Gibbs-mintavételezés hiányzó adatokkalBayes-statisztika↔ compare
- Kalman-szűrő 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 →