Sekventiell Monte Carlo med saknade data
Sekventiell Monte Carlo (SMC) med saknade data utvidgar standardpartikelfiltret till tillståndsrumsmodeller där vissa observationer saknas. När en observation saknas vid ett givet tidsteg hoppas uppdateringssteget helt enkelt över: partiklar propageras framåt genom övergångsmodellen utan omviktning, vilket bevarar exakt Bayesiansk inferens under alla mönster av saknade data så länge som frånvaron är ignorerbar (saknad vid slumpen eller helt saknad vid slumpen).
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. (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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk inferens med saknade dataBayesiansk statistik↔ compare
- Dynamisk Sekventiell Monte CarloBayesiansk statistik↔ compare
- Gibbs-sampling med saknade dataBayesiansk statistik↔ compare
- Kalmanfilter 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 →