Hiërarchisch partikelfilter
Een hiërarchisch partikelfilter breidt Sequentiële Monte Carlo uit naar toestandsruimtemodellen met meerdere niveaus van latente variabelen. Partikels worden op elk niveau van de hiërarchie voortgeplant, waardoor de methode zowel fijnmazige toestandsdynamiek als langzamer variërende hyperparameters gelijktijdig kan volgen, wat resulteert in gekalibreerde posteriorverdelingen over alle niveaus van het model.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Briers, M., Doucet, A. & Maskell, S. (2010). Smoothing algorithms for state-space models. Annals of the Institute of Statistical Mathematics, 62(1), 61-89. DOI: 10.1007/s10463-009-0236-2 ↗
- Chopin, N., Jacob, P. E. & Papaspiliopoulos, O. (2013). SMC2: an efficient algorithm for sequential analysis of state-space models. Journal of the Royal Statistical Society: Series B, 75(3), 397-426. DOI: 10.1111/j.1467-9868.2012.01046.x ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/nl/bayesian/hierarchical-particle-filter
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.
- Hiërarchische Bayesiaanse InferentieBayesiaanse statistiek↔ compare
- Hiërarchische Markovketen Monte CarloBayesiaanse statistiek↔ compare
- KalmanfilterBayesiaanse statistiek↔ compare
- Deeltjesfilter (Sequentiële Monte Carlo)Bayesiaanse statistiek↔ compare
- Sequentiële Monte CarloBayesiaanse statistiek↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →