Filter Kalman dengan Data Hilang
Filter Kalman dengan data hilang memperluas filter Kalman klasik untuk menangani deret waktu di mana beberapa observasi tidak ada. Ketika observasi hilang pada waktu t, langkah pembaruan dilewati dan estimasi keadaan diteruskan dari langkah prediksi saja. Dikombinasikan dengan algoritma Expectation-Maximisation (EM), pendekatan ini juga mengestimasi parameter model yang tidak diketahui dari data yang tidak lengkap, menjadikannya alat praktis untuk deret yang diamati secara tidak teratur di dunia nyata.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Shumway, R. H. & Stoffer, D. S. (2000). Time Series Analysis and Its Applications. Springer. ISBN: 978-0387989501
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/id/bayesian/kalman-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.
- Inferensi Bayesian dengan Data HilangBayesian↔ compare
- Algoritma EMStatistika↔ compare
- Filter KalmanBayesian↔ compare
- Filter Partikel dengan Data HilangBayesian↔ compare
- Monte Carlo SekuensialBayesian↔ compare
- Model Ruang Keadaan (Kalman Filter)Ekonometrika↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →