Filtr cząsteczkowy z brakującymi danymi
Filtr cząsteczkowy zaadaptowany do modeli przestrzeni stanów, w których niektóre obserwacje są nieobecne. Algorytm śledzi ukryty stan w czasie za pomocą chmury ważonych losowych próbek (cząsteczek); gdy krok czasowy nie ma obserwowanej wartości, krok aktualizacji wagi jest po prostu pomijany, więc cząsteczki propagują się naprzód, używając jedynie modelu przejścia, dopóki nie pojawią się nowe dane.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/pl/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.
- Bayesowska inferencja przy brakujących danychStatystyka bayesowska↔ compare
- Dynamiczny filtr cząsteczkowyStatystyka bayesowska↔ compare
- Filtr Kalmana z brakującymi danymiStatystyka bayesowska↔ compare
- MCMC z brakującymi danymiStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →