Фильтр Калмана с пропущенными данными
Фильтр Калмана с пропущенными данными расширяет классический фильтр Калмана для обработки временных рядов, в которых некоторые наблюдения отсутствуют. Когда наблюдение отсутствует в момент времени t, шаг обновления пропускается, и оценка состояния переносится только из шага предсказания. В сочетании с алгоритмом максимизации ожидания (EM-алгоритм) этот подход также оценивает неизвестные параметры модели по неполным данным, что делает его практическим инструментом для реальных нерегулярно наблюдаемых рядов.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Shumway, R. H. & Stoffer, D. S. (2000). Time Series Analysis and Its Applications. Springer. ISBN: 978-0387989501
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
Как цитировать эту страницу
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/ru/bayesian/kalman-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.
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ compare
- Алгоритм EMСтатистика↔ compare
- Фильтр КалманаБайесовские методы↔ compare
- Фильтр частиц с пропущенными даннымиБайесовские методы↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
- Модель пространства состояний (фильтр Калмана)Эконометрика↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →