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.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
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.
- Inferência Bayesiana com Dados AusentesBayesiano↔ compare
- Filtro de Partículas DinâmicoBayesiano↔ compare
- Filtro de Kalman com Dados AusentesBayesiano↔ compare
- MCMC com Dados AusentesBayesiano↔ compare
- Filtro de Partículas (Monte Carlo Sequencial)Bayesiano↔ compare
- Monte Carlo SequencialBayesiano↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →