ScholarGate
Assistente
Bayesian methodsBayesian / computational

Filtro de Partículas com Dados Ausentes

Um filtro de partículas adaptado para modelos de espaço de estados nos quais algumas observações estão ausentes. O algoritmo rastreia um estado oculto ao longo do tempo usando uma nuvem de amostras aleatórias ponderadas (partículas); quando um passo de tempo não tem valor observado, o passo de atualização de peso é simplesmente pulado, de modo que as partículas se propagam para frente usando apenas o modelo de transição até que novos dados cheguem.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

The neighbourhood of related methods — select a node to explore.

Fontes

  1. Doucet, A., de Freitas, N. & Gordon, N. J. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
  2. 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

Como citar esta página

ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/pt/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.

Compare side by side

Referenciado por

ScholarGateParticle Filter with Missing Data (Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations). Recuperado em 2026-06-15 de https://scholargate.app/pt/bayesian/particle-filter-with-missing-data · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026