Sekvensiell Monte Carlo med manglende data
Sekvensiell Monte Carlo (SMC) med manglende data utvider standard partikkelfilter til tilstandsrommodeller der noen observasjoner mangler. Når en observasjon mangler ved et gitt tidstrinn, hoppes oppdateringstrinnet rett og slett over: partikler forplantes fremover gjennom overgangsmodellen uten re-vekting, noe som bevarer eksakt Bayesiansk inferens under ethvert mønster av manglende data, så lenge manglende data er ignorerbare (manglende tilfeldig eller manglende helt tilfeldig).
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. (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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk inferens med manglende dataBayesiansk↔ compare
- Dynamisk sekvensiell Monte CarloBayesiansk↔ compare
- Gibbs-sampling med manglende dataBayesiansk↔ compare
- Kalmanfilter 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 →