Částicový filtr s chybou měření
Částicový filtr s explicitní chybou měření je sekvenční Monte Carlo algoritmus, který sleduje skrytý stav nelineárního, negauusovského dynamického systému a zároveň formálně modeluje šum v pozorovaných datech. Populace vážených náhodných vzorků (částic) reprezentuje posteriórní distribuci stavu v každém časovém kroku a funkce věrohodnosti pozorování kvantifikuje, jak moc je každá částice konzistentní s přijatým šumovým měřením.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter with Explicit Measurement Error. ScholarGate. https://scholargate.app/cs/bayesian/particle-filter-with-measurement-error
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.
- Rozšířený Kalmanův filtrTeorie řízení↔ compare
- Kalmanův filtrBayesovská statistika↔ compare
- Sekvenční Monte CarloBayesovská statistika↔ compare
- Neものový Kalmanův filtrTeorie řízení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →