Časticový filter s chýbajúcimi údajmi
Časticový filter prispôsobený pre modely stavového priestoru, v ktorých niektoré pozorovania chýbajú. Algoritmus sleduje skrytý stav v čase pomocou mraku vážených náhodných vzoriek (častíc); keď časový krok nemá pozorovanú hodnotu, krok aktualizácie váh sa jednoducho preskočí, takže častice sa šíria dopredu len pomocou prechodového modelu, kým neprídu nové údaje.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/sk/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.
- Bayesovská inferencia s chýbajúcimi údajmiBayesovské metódy↔ compare
- Dynamický časticový filterBayesovské metódy↔ compare
- Kalmanov filter s chýbajúcimi údajmiBayesovské metódy↔ compare
- MCMC s chýbajúcimi údajmiBayesovské metódy↔ compare
- Časticový filter (sekvenčné metódy Monte Carlo)Bayesovské metódy↔ compare
- Sekvenčné Monte CarloBayesovské metódy↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →