Фільтр частинок з відсутніми даними
Фільтр частинок, адаптований для моделей простір-час, у яких деякі спостереження відсутні. Алгоритм відстежує прихований стан з часом за допомогою хмари зважених випадкових вибірок (частинок); коли часовий крок не має спостережуваного значення, крок оновлення ваги просто пропускається, тому частинки поширюються вперед, використовуючи лише модель переходу, доки не з'являться нові дані.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter for State-Space Models with Missing Observations. ScholarGate. https://scholargate.app/uk/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.
- Байєсівський висновок з пропущеними данимиБаєсові методи↔ compare
- Динамічний фільтр частинокБаєсові методи↔ compare
- Фільтр Калмана з пропущеними данимиБаєсові методи↔ compare
- MCMC з пропущеними данимиБаєсові методи↔ compare
- Фільтр частинок (послідовний Монте-Карло)Баєсові методи↔ compare
- Послідовний Монте-КарлоБаєсові методи↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →