Daļiņu filtrs ar trūkstošiem datiem
Daļiņu filtrs, kas pielāgots stāvokļa-telpas modeļiem, kuros daži novērojumi ir prom. Algoritms laika gaitā izseko slēpto stāvokli, izmantojot svērtu nejaušu paraugu (daļiņu) mākoni; kad laika solī nav novērotas vērtības, svērumu atjaunināšanas solis tiek vienkārši izlaists, tāpēc daļiņas izplatās uz priekšu, izmantojot tikai pārejas modeli, līdz ienāk jauni dati.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/lv/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.
- Beijiešu secinājumi ar trūkstošiem datiemBajesa metodes↔ compare
- Dinamiskais daļiņu filtrsBajesa metodes↔ compare
- Kalman filtrs ar trūkstošiem datiemBajesa metodes↔ compare
- MCMC ar trūkstošiem datiemBajesa metodes↔ compare
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →