Filtro Particellare con Dati Mancanti
Un filtro particellare adattato per modelli state-space in cui alcune osservazioni sono assenti. L'algoritmo traccia uno stato nascosto nel tempo utilizzando una nuvola di campioni casuali pesati (particelle); quando un passo temporale non ha un valore osservato, il passo di aggiornamento dei pesi viene semplicemente saltato, cosicché le particelle si propagano in avanti usando solo il modello di transizione finché non arrivano nuovi dati.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/it/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.
- Inferenza Bayesiana con Dati MancantiBayesiano↔ compare
- Filtro particellare dinamicoBayesiano↔ compare
- Filtro di Kalman con dati mancantiBayesiano↔ compare
- MCMC con dati mancantiBayesiano↔ compare
- Filtro a particelle (Monte Carlo Sequenziale)Bayesiano↔ compare
- Monte Carlo SequenzialeBayesiano↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →