Dynamischer Partikelfilter
Ein dynamischer Partikelfilter ist ein sequenzieller Monte-Carlo-Algorithmus, der einen sich entwickelnden verborgenen Zustand über die Zeit verfolgt, indem er eine Population gewichteter Zufallsstichproben – Partikel – aufrechterhält, die jeweils eine plausible Trajektorie darstellen. Wenn neue Beobachtungen eintreffen, werden die Partikelgewichte anhand der Likelihood aktualisiert und die Population neu abgetastet, wodurch die Darstellung auf die wahrscheinlichsten Zustandsregionen in einem vollständig nichtlinearen und nicht-Gaußschen Umfeld konzentriert bleibt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/de/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.
- Dynamische Bayes'sche InferenzBayes-Statistik↔ compare
- Kalman FilterBayes-Statistik↔ compare
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →