Monte Carlo Sekuencial me të Dhëna të Munguara
Monte Carlo Sekuencial (SMC) me të dhëna të munguara shtrin filtrin standard të grimcave (particle filter) te modelet e shtet-hapësirës (state-space models) në të cilat mungojnë disa vëzhgime. Kur një vëzhgim mungon në një hap kohor të caktuar, hapësira e përditësimit thjesht hidhet tej: grimcat propagojnë përpara përmes modelit të tranzicionit pa ripeshëzim, duke ruajtur inferencën e saktë Bayesiane nën çdo model mungese të dhënash, për sa kohë që mungesa është e neglizhueshme (mungon në mënyrë të rastësishme ose mungon plotësisht në mënyrë të rastësishme).
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. (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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/sq/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.
- Inferenca Bayesiane me të Dhëna të MungueshmeStatistika bajesiane↔ compare
- Sekuencial Monte Carlo DinamikStatistika bajesiane↔ compare
- Kampionimi Gibbs me të dhëna të mungesaveStatistika bajesiane↔ compare
- Filtrimi Kalman me të dhëna të mungesëStatistika 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 →