Eksik Veriye Sahip Parçacık Filtresi
Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations · Ayrıca şöyle bilinir: SMC with missing data, bootstrap filter with missing observations, sequential Monte Carlo missing data, particle filtering incomplete data
Bazı gözlemlerin bulunmadığı durum uzay modelleri için uyarlanmış bir parçacık filtresi. Algoritma, ağırlıklı rastgele örnekler (parçacıklar) bulutu kullanarak zaman içinde gizli bir durumu izler; bir zaman adımında gözlemlenen bir değer olmadığında, ağırlık güncelleme adımı atlanır, böylece parçacıklar yeni veri gelene kadar yalnızca geçiş modelini kullanarak ileriye doğru yayılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sensör arızası, kesinti veya sansürleme nedeniyle bazı zaman adımlarının ölçüm vermediği ve sıralı olarak gözlemlenen doğrusal olmayan veya Gaussian olmayan dinamik bir sistemi analiz ederken eksik veriye sahip bir parçacık filtresi kullanın. Model doğrusal olmayan veya gürültü Gaussian olmayan olduğunda Kalman filtresinden ve gerçek zamanlı veya çevrimiçi çıkarım gerektiğinde yığın yöntemlerinden daha iyidir. Durum uzayı çok yüksek boyutlu olduğunda (parçacık dejenerasyonu şiddetli hale gelir), eksikliğin bilgilendirici ve modellenmemiş olduğu durumlarda veya eksik veriye sahip doğrusal-Gaussian Kalman filtresinin yeterli olduğu durumlarda kullanmayın — bu durumda kesin, daha ucuz kapalı form çözümü vardır.
Güçlü yönler & sınırlılıklar
- Kalman filtresinin aksine, doğrusal olmayan ve Gaussian olmayan durum uzay modellerini kesin olarak (Monte Carlo anlamında) işler.
- Eksik gözlemler, yapısal bir değişiklik olmadan işlenir — yalnızca o zaman adımlarındaki ağırlık güncelleme adımını atlayın.
- Her zaman noktasında gizli durum üzerinde tam bir sonsal dağılım sağlar, yalnızca bir nokta tahmini değil.
- Çevrimiçi (sıralı) güncelleme: yeni veriler geldikçe çıkarım gerçek zamanlı olarak ilerleyebilir.
- Esnek: herhangi bir çözülebilir geçiş ve emisyon modeli kullanılabilir.
- Yüksek boyutlu durum uzaylarında parçacık dejenerasyonu: güvenilir kapsama için üstel sayıda parçacık gerekir.
- Yeniden örnekleme, Monte Carlo varyansı getirir ve çeşitlilik kaybına (parçacık fakirleşmesi) neden olabilir.
- Analitik filtrelerle karşılaştırıldığında hesaplama açısından pahalıdır; maliyet, parçacık sayısıyla doğrusal olarak ölçeklenir.
- Uzun eksik veri dizileri, ağırlık dağılımlarının düzleşmesine, etkin örneklem boyutunun azalmasına ve belirsizliğin önemli ölçüde artmasına neden olur.
- Öneri dağılımını ve yeniden örnekleme eşiğini ayarlamak uzmanlık gerektirir.
SSS
Parçacık filtresi eksik bir gözlemi tam olarak nasıl atlar?
y_t'nin eksik olduğu herhangi bir zaman adımında, olabilirlik p(y_t | x_t) değerlendirilemez. Ağırlık güncelleme formülü bu nedenle, bootstrap filtresi kullanıldığında ağırlıkları etkili bir şekilde değişmeden bırakarak, her parçacığın ağırlığını yalnızca geçiş yoğunluğu oranıyla çarpmaya indirgenir. Parçacıklar geçiş modeli uyarınca ileriye doğru yayılmaya devam eder, bu nedenle sonsal dağılım eksik aralıklar boyunca genişler.
Birçok ardışık gözlem eksikse özel bir şey yapmam gerekir mi?
Uzun boşluklar belirsizliği artırır: parçacıklar geçiş modeline göre yayılır ve etkin örneklem boyutu düşebilir. Yeterli kapsama sağlamak için daha fazla parçacığa ihtiyacınız olabilir ve dizi boyunca ESS'yi izlemelisiniz. Eksikliğin öngörülebilir olması durumunda, yaklaşan boşluğu hesaba katan hedeflenmiş bir öneri kullanabilirsiniz.
Kalman filtresini ne zaman kullanmalıyım?
Durum uzay modeliniz doğrusal ve tüm gürültü Gaussian ise, Kalman filtresi eksik gözlemleri eksik zaman noktalarında ölçüm güncelleme adımını gerçekleştirmeyerek tam ve ucuz bir şekilde işler. Parçacık filtresi yalnızca doğrusal olmama veya Gaussian olmayan gürültü Kalman filtresini yaklaşık hale getirdiğinde gereklidir.
Veriler rastgele eksik değilse ne olur?
Standart yaklaşım, eksikliğin göz ardı edilebilir olduğunu varsayar (rastgele veya tamamen rastgele eksik). Bir gözlemin eksik olup olmadığı, gözlemlenmemiş duruma bağlıysa — örneğin, bir sensör tam olarak sinyalin aşırı olduğu zaman arızalanır — eksiklik mekanizmasını durumla birlikte modellemeli, gösterge r_t için ayrı bir emisyon modeli eklemelisiniz.
Kaç parçacığa ihtiyacım var?
Evrensel bir kural yoktur: durum uzayının boyutuna ve önerinin kalitesine bağlıdır. Yaygın başlangıç noktaları birkaç yüzden birkaç bine kadar değişir. Etkin örneklem boyutunu (ESS = 1 / normalize edilmiş ağırlıkların karelerinin toplamı) zaman içinde izleyin; ESS düzenli olarak N/2'nin çok altına düşerse, parçacık sayısını artırın veya öneriyi iyileştirin.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/tr/bayesian/particle-filter-with-missing-data
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Eksik Veri ile Bayesci ÇıkarımBayesçi↔ karşılaştır
- Dinamik Parçacık FiltresiBayesçi↔ karşılaştır
- Eksik Verili Kalman FiltresiBayesçi↔ karşılaştır
- Eksik Veri ile MCMCBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır