Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)
Der Partikelfilter, eingeführt von Gordon, Salmond und Smith im Jahr 1993, ist ein sequentieller Monte-Carlo-Algorithmus, der die bayes'sche Filterverteilung für nichtlineare und nicht-Gauß'sche Zustandsraummodelle approximiert. Anstatt eine einzelne beste Schätzung zu verfolgen, unterhält er eine Wolke von N gewichteten Zufallsstichproben – Partikeln –, die kollektiv die vollständige Posterior-Verteilung eines verborgenen Zustands zu jedem Zeitpunkt darstellen, während neue Beobachtungen eintreffen.
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.
+25 more
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Particle Filter (Sequential Monte Carlo). ScholarGate. https://scholargate.app/de/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.
- Bayes'sche RegressionBayes-Statistik↔ compare
- Kalman FilterBayes-Statistik↔ compare
- Markov-Kette Monte Carlo (MCMC)Bayes-Statistik↔ compare
- Zustandsraummodell (Kalman-Filter)Ökonometrie↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →