Partikl-filter sa podacima koji nedostaju
Partikl-filter prilagođen modelima prostora stanja kod kojih neka zapažanja nedostaju. Algoritam prati skriveno stanje tokom vremena koristeći oblak ponderisanih slučajnih uzoraka (partikli); kada vremenski korak nema opaženu vrednost, korak ažuriranja težine se jednostavno preskače, tako da se partikli propagiraju napred koristeći samo tranzicioni model dok ne stignu novi podaci.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/sr/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.
- Bejzovsko inferisanje sa nedostajućim podacimaBajesovska statistika↔ compare
- Динамички филтер честицаBajesovska statistika↔ compare
- Kalmanov filter sa nedostajućim podacimaBajesovska statistika↔ compare
- MCMC sa nedostajućim podacimaBajesovska statistika↔ compare
- Филтер честица (секвенцијални Монте Карло)Bajesovska statistika↔ compare
- Sekvenciјalni Monte KarloBajesovska statistika↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →