Filtru particulă ierarhic
Un filtru de particule ierarhic extinde Monte Carlo secvențial la modele spațiu-stare cu multiple niveluri de variabile latente. Particulele sunt propagate la fiecare nivel al ierarhiei, permițând metodei să urmărească simultan atât dinamica stării cu granularitate fină, cât și parametrii hipervariabili cu variație lentă, generând distribuții posterioare calibrate pe toate nivelurile modelului.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/ro/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.
- Inferență Bayesiană IerarhicăBayesian↔ compare
- Markov chain Monte Carlo ierarhicBayesian↔ compare
- Filtru KalmanBayesian↔ compare
- Filtrul particulelor (Monte Carlo secvențial)Bayesian↔ compare
- Monte Carlo SecvențialBayesian↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →