ตัวกรองอนุภาคสำหรับข้อมูลที่ขาดหายไป
ตัวกรองอนุภาคที่ปรับให้เหมาะกับแบบจำลองปริภูมิสถานะซึ่งมีการสังเกตบางส่วนหายไป อัลกอริทึมจะติดตามสถานะที่ซ่อนอยู่เมื่อเวลาผ่านไปโดยใช้กลุ่มตัวอย่างสุ่มที่มีน้ำหนัก (อนุภาค) เมื่อช่วงเวลาหนึ่งไม่มีค่าที่สังเกตได้ ขั้นตอนการปรับปรุงน้ำหนักจะถูกข้ามไปอย่างง่ายๆ ดังนั้นอนุภาคจะแพร่กระจายไปข้างหน้าโดยใช้แบบจำลองการเปลี่ยนผ่านเท่านั้นจนกว่าข้อมูลใหม่จะมาถึง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/th/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.
- การอนุมานแบบเบย์สำหรับข้อมูลที่ขาดหายเบย์↔ compare
- Dynamic Particle Filterเบย์↔ compare
- Kalman Filter with Missing Dataเบย์↔ compare
- MCMC กับข้อมูลที่ขาดหายไปเบย์↔ compare
- Particle Filter (Sequential Monte Carlo)เบย์↔ compare
- Sequential Monte Carloเบย์↔ compare