Monte Carlo Sekuensial dengan Data Hilang
Monte Carlo Sekuensial (SMC) dengan data hilang meluaskan penapis zarah standard kepada model ruang keadaan (state-space models) di mana sesetengah pemerhatian tiada. Apabila pemerhatian hilang pada langkah masa tertentu, langkah kemas kini dilangkau begitu sahaja: zarah-zarah disebarkan ke hadapan melalui model peralihan tanpa pemberatan semula, mengekalkan inferens Bayesian yang tepat di bawah sebarang corak data hilang selagi ketiadaan data boleh diabaikan (hilang secara rawak atau hilang secara lengkap secara rawak).
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ms/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.
- Inferens Bayesian dengan Data HilangBayesian↔ compare
- Monte Carlo Sekuensial DinamikBayesian↔ compare
- Pensampelan Gibbs dengan Data HilangBayesian↔ compare
- Penapis Kalman dengan Data HilangBayesian↔ compare
- Penapis Zarah (Monte Carlo Sekuen)Bayesian↔ compare
- Monte Carlo SekuensialBayesian↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →