Sekvenčné Monte Carlo s chýbajúcimi údajmi
Sekvenčné Monte Carlo (SMC) s chýbajúcimi údajmi rozširuje štandardný časticový filter na stavovo-priestorové modely, v ktorých niektoré pozorované hodnoty chýbajú. Keď pozorovaná hodnota v danom časovom kroku chýba, krok aktualizácie sa jednoducho preskočí: častice sa propagujú vpred prechodovým modelom bez preváženia, čím sa zachováva presná bayesovská inferencia pri akomkoľvek vzore chýbajúcich údajov, pokiaľ je vynechanie ignorovateľné (chýbajúce v náhodnom výbere alebo úplne v náhodnom výbere).
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. (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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/sk/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.
- Bayesovská inferencia s chýbajúcimi údajmiBayesovské metódy↔ compare
- Dynamické sekvenčné Monte CarloBayesovské metódy↔ compare
- Gibbs Sampling s chýbajúcimi údajmiBayesovské metódy↔ compare
- Kalmanov filter 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 →