Filtrimi me grimca me të dhëna të mungesë
Një filtër me grimca i përshtatur për modele hapësirë-gjendje në të cilat disa vëzhgime mungojnë. Algoritmi gjurmon një gjendje të fshehur mbi kohë duke përdorur një re kampjesh të rastësishme të peshuara (grimca); kur një hap kohor nuk ka vlerë të vëzhguar, hapit të përditësimit të peshës thjesht i hidhet poshtë, kështu që grimcat përparojnë duke përdorur vetëm modelin e tranzicionit derisa të mbërrijnë të dhëna të reja.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/sq/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.
- Inferenca Bayesiane me të Dhëna të MungueshmeStatistika bajesiane↔ compare
- Filtri Dinamik i GrimcaveStatistika bajesiane↔ compare
- Filtrimi Kalman me të dhëna të mungesëStatistika bajesiane↔ compare
- MCMC me të dhëna të mungueshmeStatistika bajesiane↔ compare
- Filtri i grimcave (Monte Karlo Sekuencial)Statistika bajesiane↔ compare
- Monte Karlo SekuencialStatistika bajesiane↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →