Dynamisk partikelfilter
Et dynamisk partikelfilter er en sekventiel Monte Carlo-algoritme, der sporer en udviklende skjult tilstand over tid ved at vedligeholde en population af vægtede tilfældige stikprøver — partikler — hvor hver især repræsenterer en plausibel bane. Efterhånden som nye observationer ankommer, opdateres partikelvægtene via sandsynligheden, og populationen genstikprøves, hvilket holder repræsentationen koncentreret om de mest sandsynlige tilstandsregioner i en fuldt ikke-lineær og ikke-Gaussisk setting.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/da/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.
- Dynamisk Bayesiansk InferensBayesiansk↔ compare
- Kalman-filterBayesiansk↔ compare
- Partikelfilter (sekventiel Monte Carlo)Bayesiansk↔ compare
- Sekventiel Monte CarloBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →