Sekvenciālā Monte Karlo metode ar trūkstošiem datiem
Sekvenciālā Monte Karlo metode (SMC) ar trūkstošiem datiem paplausina standarta daļiņu filtru uz stāvokļa telpas modeļiem, kuros daži novērojumi nav pieejami. Kad novērojums noteiktā laika solī trūkst, atjaunināšanas solis tiek vienkārši izlaists: daļiņas tiek propagētas uz priekšu caur pārejas modeli bez pārsvarošanas, saglabājot precīzu Bajesas secinājumu jebkura trūkstošo datu modeļa gadījumā, ja vien trūkums ir ignorējams (trūkst nejauši vai trūkst pilnīgi nejauši).
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. (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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/lv/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.
- Beijiešu secinājumi ar trūkstošiem datiemBajesa metodes↔ compare
- Dinamiskā secīgā Montekarlo metodeBajesa metodes↔ compare
- Gibsa paraugu ņemšana ar trūkstošiem datiemBajesa metodes↔ compare
- Kalman filtrs 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 →