Bayesian methodsBayesian / computational
결측치가 있는 입자 필터
일부 관측값이 누락된 상태-공간 모델에 적응된 입자 필터. 이 알고리즘은 가중치가 부여된 무작위 표본(입자)의 구름을 사용하여 시간에 따른 은닉 상태를 추적합니다. 시간 단계에 관측값이 없는 경우, 가중치 업데이트 단계는 단순히 건너뛰므로, 새로운 데이터가 도착할 때까지 입자는 전이 모델만을 사용하여 앞으로 전파됩니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/ko/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.
- 결측 데이터가 있는 베이즈 추론베이지안↔ compare
- 동적 입자 필터베이지안↔ compare
- 결측값이 있는 칼만 필터베이지안↔ compare
- 결측치가 있는 MCMC베이지안↔ compare
- 파티클 필터 (순차 몬테카를로)베이지안↔ compare
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ compare