Partikelfilter med saknade data
Ett partikelfilter anpassat för tillståndsrymdsmodeller där vissa observationer saknas. Algoritmen följer ett dolt tillstånd över tid med hjälp av en moln av viktade slumpmässiga stickprov (partiklar); när ett tidsteg saknar observerat värde, hoppas viktuppdateringssteget helt enkelt över, så partiklarna fortplantas framåt enbart med hjälp av övergångsmodellen tills nya data anländer.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk inferens med saknade dataBayesiansk statistik↔ compare
- Dynamisk partikelfilterBayesiansk statistik↔ compare
- Kalmanfilter med saknade dataBayesiansk statistik↔ compare
- MCMC med saknade dataBayesiansk statistik↔ compare
- Partikelfilter (sekventiell Monte Carlo)Bayesiansk statistik↔ compare
- Sekventiell Monte CarloBayesiansk statistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →