Deeltjesfilter met ontbrekende gegevens
Een deeltjesfilter aangepast voor toestandsruimtemodellen waarin sommige waarnemingen ontbreken. Het algoritme volgt een verborgen toestand over de tijd met behulp van een wolk van gewogen willekeurige steekproeven (deeltjes); wanneer een tijdstap geen waargenomen waarde heeft, wordt de gewichtsupdate-stap eenvoudigweg overgeslagen, zodat de deeltjes zich voortplanten met alleen het overgangsmodel totdat nieuwe gegevens arriveren.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/nl/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.
- Bayesiaanse inferentie met ontbrekende gegevensBayesiaanse statistiek↔ compare
- Dynamisch deeltjesfilterBayesiaanse statistiek↔ compare
- Kalmanfilter met ontbrekende dataBayesiaanse statistiek↔ compare
- MCMC met ontbrekende dataBayesiaanse statistiek↔ compare
- Deeltjesfilter (Sequentiële Monte Carlo)Bayesiaanse statistiek↔ compare
- Sequentiële Monte CarloBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →