Partikelfilter (sekventiel Monte Carlo)
Partikelfilteret, introduceret af Gordon, Salmond og Smith i 1993, er en sekventiel Monte Carlo-algoritme, der approksimerer den Bayesianske filtreringsfordeling for ikke-lineære og ikke-Gaussiske tilstandsrumsmodeller. I stedet for at spore et enkelt bedste estimat opretholder det en sky af N vægtede tilfældige stikprøver — partikler — der kollektivt repræsenterer den fulde posteriorfordeling af en skjult tilstand på hvert tidspunkt, efterhånden som nye observationer ankommer.
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.
+25 more
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Particle Filter (Sequential Monte Carlo). ScholarGate. https://scholargate.app/da/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.
- Bayesiansk regressionBayesiansk↔ compare
- Kalman-filterBayesiansk↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiansk↔ compare
- Model for tilstandsrum (Kalmanfilter)Økonometri↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →