Hierarchiczny filtr cząsteczkowy
Hierarchiczny filtr cząsteczkowy rozszerza sekwencyjną metodę Monte Carlo (SMC) na modele przestrzeni stanów z wieloma poziomami zmiennych ukrytych. Cząsteczki są propagowane na każdym poziomie hierarchii, co pozwala metodzie śledzić jednocześnie zarówno dynamikę stanu o wysokiej rozdzielczości, jak i wolniej zmieniające się hiperparametry, prowadząc do skalibrowanych rozkładów a posteriori na wszystkich poziomach modelu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/pl/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.
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ compare
- Hierarchical Markov Chain Monte CarloStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →