Последователен Монте Карло с грешка в измерването
Последователен Монте Карло (SMC) с грешка в измерването е базиран на частици Байесов филтриращ метод за проследяване на скрити състояния в динамични системи, когато наблюденията са компрометирани от шум. Той разпространява претеглена облак от частици във времето, като актуализира теглата на всяка стъпка, за да отрази колко добре всяка частица обяснява шумно измерение, и произвежда пълно апостериорно разпределение върху латентното състояние във всяка времева точка.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer New York. ISBN: 978-0-387-95146-1
- Cappe, O., Godsill, S. J., & Moulines, E. (2007). An overview of existing methods and recent advances in sequential Monte Carlo. Proceedings of the IEEE, 95(5), 899-924. DOI: 10.1109/JPROC.2007.893250 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Sequential Monte Carlo with Measurement Error. ScholarGate. https://scholargate.app/bg/bayesian/sequential-monte-carlo-with-measurement-error
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Байесов анализ при грешка в измерванетоБейсови методи↔ сравняване
- Динамично Байесово извежданеБейсови методи↔ сравняване
- Калманов филтър с грешка в измерванетоБейсови методи↔ сравняване
- Марковски Монте Карло вериги (MCMC)Симулационно моделиране↔ сравняване
- Частицов филтър (последователен Монте Карло)Бейсови методи↔ сравняване
- Последователен Монте КарлоБейсови методи↔ сравняване
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →