Sekventiel Monte Carlo for tidsserier
Sekventiel Monte Carlo (SMC) for tidsserier, almindeligvis kaldet partikelfilteret, er en Bayesiansk simuleringsmetode, der sporer den skjulte tilstand af et dynamisk system, efterhånden som observationer ankommer én ad gangen. En sky af vægtede tilfældige stikprøver – partikler – forplantes fremad gennem systemdynamikken, genvægtes efter hvor godt hver partikel forklarer den nye observation, og periodisk resamples for at holde repræsentationen koncentreret om plausible tilstande.
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
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/da/bayesian/time-series-sequential-monte-carlo
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 NetværkBayesiansk↔ compare
- Gibbs SamplingBayesiansk↔ compare
- Kalman-filterBayesiansk↔ compare
- Partikelfilter (sekventiel Monte Carlo)Bayesiansk↔ compare
- Sekventiel Monte CarloBayesiansk↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →