Динамичен частицов филтър
Динамичният частицов филтър е последователен алгоритъм на Монте Карло, който проследява развиващо се скрито състояние във времето, като поддържа популация от претеглени случайни извадки — частици — всяка от които представлява правдоподобна траектория. С постъпването на нови наблюдения теглата на частиците се актуализират чрез функцията на правдоподобност и популацията се преизважда, като по този начин представянето се концентрира върху най-вероятните области на състоянието в напълно нелинейна и негаусова среда.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Doucet, A., de Freitas, N. & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
- Gordon, N. J., Salmond, D. J. & Smith, A. F. M. (1993). Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE Proceedings F – Radar and Signal Processing, 140(2), 107–113. DOI: 10.1049/ip-f-2.1993.0015 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/bg/bayesian/dynamic-particle-filter
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.
- Динамично Байесово извежданеБейсови методи↔ compare
- Калманов филтърБейсови методи↔ compare
- Частицов филтър (последователен Монте Карло)Бейсови методи↔ compare
- Последователен Монте КарлоБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →