Kalman Filter with Missing Data
ตัวกรองคาลมานสำหรับข้อมูลที่ขาดหายไป (Kalman filter with missing data) เป็นส่วนขยายของตัวกรองคาลมานแบบดั้งเดิมเพื่อจัดการกับอนุกรมเวลาที่การสังเกตบางส่วนขาดหายไป เมื่อการสังเกตขาดหายไป ณ เวลา t ขั้นตอนการปรับปรุงจะถูกข้ามไป และการประมาณค่าสถานะจะถูกส่งต่อไปจากขั้นตอนการทำนายเพียงอย่างเดียว เมื่อรวมกับขั้นตอนวิธี Expectation-Maximisation (EM) วิธีการนี้ยังประมาณค่าพารามิเตอร์ของแบบจำลองที่ไม่ทราบจากข้อมูลที่ไม่สมบูรณ์ ทำให้เป็นเครื่องมือที่ใช้งานได้จริงสำหรับอนุกรมเวลาที่สังเกตเป็นระยะๆ ในโลกแห่งความเป็นจริง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Shumway, R. H. & Stoffer, D. S. (2000). Time Series Analysis and Its Applications. Springer. ISBN: 978-0387989501
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521405737
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Kalman Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/th/bayesian/kalman-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.
- การอนุมานแบบเบย์สำหรับข้อมูลที่ขาดหายเบย์↔ compare
- ขั้นตอนวิธี EMสถิติศาสตร์↔ compare
- Kalman Filterเบย์↔ compare
- ตัวกรองอนุภาคสำหรับข้อมูลที่ขาดหายไปเบย์↔ compare
- Sequential Monte Carloเบย์↔ compare
- แบบจำลองปริภูมิสถานะ (ตัวกรองคาลมาน)เศรษฐมิติ↔ compare