Documento de simulación de modelo de población
El filtrado de partículas se ha aplicado con éxito para suavizar distribuciones con retrasos fijos o intervalos fijos en las comunicaciones digitales y muestra una inferencia aproximada de máxima verosimilitud. Debido a que este espacio vectorial de estados es finito, es posible considerar todos los descendientes (trayectos) de cualquier partícula particular en cada paso. Dado que cada partícula tiene varios descendientes posibles típicos, y los descendientes de la población también son mayores que la población inicial, en todos estos problemas es necesario construir un nuevo algoritmo de optimización de enjambre de partículas para seleccionar y calcular los pesos apropiados de las partículas. Aquí proponemos un algoritmo de selección que permite una pérdida de expectativas imparcial y una función de distancia general. En la configuración de solución ciega, se selecciona la distancia entre la solución y Kullback-Leibler 0.0175, y se comparan diferentes soluciones deterministas mediante simulación, dejando solo los mejores pesos.
Introducción
El método de filtrado de partículas puede verse como un símbolo de probabilidad computacional, que se ha utilizado con éxito en muchos esquemas de comunicación digital (ver [3] y muchos otros esquemas). En cambio, la expectativa es sumar partículas ponderadas en un "grupo" utilizando un algoritmo de simulación de secuencia. En el espacio de estados discretos, se pueden considerar todas las partículas descendientes sin necesidad de elegir una propuesta adecuada. Si el tamaño y el número de partículas están en el espacio de estados de Ifmis, el número total de descendientes es igual a Mn. Este problema, por lo tanto, se propone en base a una gran cantidad de experimentos, con un conjunto representativo de partículas y pesos apropiados asociados con estas partículas. Definición Para lograr este objetivo, el método clásico se basa en una gran cantidad de pesos de partículas proporcionales distribuidos aleatoriamente, produciendo un sistema de partículas igualmente importante. Este es un contexto de estado discreto ineficiente porque varias partículas pueden replicarse exactamente. Una solución para evitar esta situación fue propuesta por Fearnhead y Cliff (2003)[5], quienes crearon la mejor muestra de este nombre. Este método puede reducir el peso de selección de distancia L2 esperado. Explorar estos problemas y seleccionar información que minimice la pérdida de nitrógeno sigue siendo el mejor enfoque. Nuestra contribución puede ampliar el uso de diferentes métricas estadísticas como la distancia chi-cuadrado y la diferencia de Kullback-Leibler. Además, analizamos un esquema de selección determinista tal que solo aquellos descendientes con mejor desempeño son n.