Partikkelfilter med manglende data
Et partikkelfilter tilpasset tilstand-rom-modeller der noen observasjoner mangler. Algoritmen sporer en skjult tilstand over tid ved hjelp av en sky av vektede tilfeldige utvalg (partikler); når et tidsskritt mangler observerte verdier, hoppes vektoppdateringstrinnet rett og slett over, slik at partiklene forplanter seg fremover kun ved bruk av overgangsmodellen inntil nye data ankommer.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk inferens med manglende dataBayesiansk↔ compare
- Dynamisk partikkelfilterBayesiansk↔ compare
- Kalmanfilter med manglende dataBayesiansk↔ compare
- MCMC med manglende dataBayesiansk↔ compare
- Partikkelfilter (sekvensiell Monte Carlo)Bayesiansk↔ compare
- Sekvensiell Monte CarloBayesiansk↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →