Частицов филтър (последователен Монте Карло)
Частицовият филтър, представен от Гордън, Салмънд и Смит през 1993 г., е последователен Монте Карло алгоритъм, който апроксимира Байесовото филтриращо разпределение за нелинейни и негаусови модели на състоянието. Вместо да проследява една-единствена най-добра оценка, той поддържа облак от N претеглени случайни извадки — частици — които колективно представят пълното апостериорно разпределение на скрито състояние във всеки момент от време, когато пристигат нови наблюдения.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Източници
- 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 ↗
- Doucet, A., Godsill, S. J., & Andrieu, C. (2000). On sequential Monte Carlo sampling methods for Bayesian filtering. Statistics and Computing, 10(3), 197–208. DOI: 10.1023/A:1008935410038 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer-Verlag. ISBN: 978-0-387-95146-1
Как да цитирате тази страница
ScholarGate. (2026, June 3). Particle Filter (Sequential Monte Carlo). ScholarGate. https://scholargate.app/bg/bayesian/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.
- Байесов регресионен моделБейсови методи↔ compare
- Калманов филтърБейсови методи↔ compare
- Марковски Монте Карло вериги (MCMC)Бейсови методи↔ compare
- Модел в състояние пространство (Калманов филтър)Иконометрия↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →