Фильтр частиц с пропущенными данными
Фильтр частиц, адаптированный для моделей пространства состояний, в которых отсутствуют некоторые наблюдения. Алгоритм отслеживает скрытое состояние во времени, используя облако взвешенных случайных выборок (частиц); когда в временном шаге отсутствует наблюдаемое значение, шаг обновления весов просто пропускается, так что частицы распространяются вперед, используя только переходную модель, пока не появятся новые данные.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/ru/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.
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ compare
- Динамический фильтр частицБайесовские методы↔ compare
- Фильтр Калмана с пропущенными даннымиБайесовские методы↔ compare
- MCMC с пропущенными даннымиБайесовские методы↔ compare
- Фильтр частиц (последовательное Монте-Карло)Байесовские методы↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →