Bēzijas laika rindu secinājumi
Bēzijas laika rindu secinājumi secīgi piemēro Bēzijas teorēmu laika secībā sakārtotiem novērojumiem, uzturot pilnu varbūtības sadalījumu par slēptajiem stāvokļiem un modeļa parametriem katrā laika solī. Šis ietvars apvieno stāvokļa telpas modeļus, dinamiskos lineāros modeļus un daļiņu filtrus, radot kalibrētu nenoteiktību gan filtrēšanas (reāllaika), gan retrospektīvās izlīdzināšanas uzdevumiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Avoti
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Prado, R. & West, M. (2010). Time Series: Modeling, Computation, and Inference. CRC Press. ISBN: 978-1420093360
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Inference for Time Series Models. ScholarGate. https://scholargate.app/lv/bayesian/time-series-bayesian-inference
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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Dinamiskais beijes tīklsBajesa metodes↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Kalman FilterBajesa 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 →