Последовательный метод Монте-Карло с пропущенными данными
Последовательный метод Монте-Карло (SMC) с пропущенными данными расширяет стандартный частичный фильтр на модели пространства состояний, в которых некоторые наблюдения отсутствуют. Когда наблюдение отсутствует на данном временном шаге, шаг обновления просто пропускается: частицы распространяются вперед через модель перехода без перевзвешивания, сохраняя точный байесовский вывод при любом характере пропусков данных, если пропуски игнорируемы (пропуски случайны или полностью случайны).
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. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ru/bayesian/sequential-monte-carlo-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
- Динамическое последовательное Монте-КарлоБайесовские методы↔ compare
- Сэмплирование Гиббса для пропущенных данныхБайесовские методы↔ compare
- Фильтр Калмана 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 →