Послідовний Монте-Карло з пропущеними даними
Послідовний Монте-Карло (SMC) з пропущеними даними розширює стандартний фільтр частинок для моделей прихованих станів, у яких деякі спостереження відсутні. Коли спостереження відсутнє на певному часовому кроці, крок оновлення просто пропускається: частинки поширюються вперед через перехідну модель без перезважування, зберігаючи точне байєсівське виведення за будь-якого шаблону пропущених даних, доки пропуск є ігнорованим (пропущено випадково або повністю випадково).
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. (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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/uk/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.
- Байєсівський висновок з пропущеними данимиБаєсові методи↔ compare
- Динамічний послідовний Монте-КарлоБаєсові методи↔ compare
- Вибірка Гіббса з пропущеними данимиБаєсові методи↔ compare
- Фільтр Калмана 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 →