Robuste Sequentielle Monte-Carlo-Methoden
Robuste Sequentielle Monte-Carlo-Methoden (Robust SMC) erweitern die Standard-Partikelfilterung zur Handhabung von Ausreißern, Rauschen mit schweren Rändern und Modellfehlspezifikation in sequenziellen Daten. Durch den Ersatz von Gaußschen Likelihood-Annahmen durch Verteilungen mit schwereren Rändern oder den Einsatz von Strategien zur Ausreißererkennung während der Partikelgewichtung wird eine genaue Zustandsverfolgung und Parameterschätzung auch dann beibehalten, wenn Beobachtungen vom angenommenen Modell abweichen.
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
- Ristic, B., Arulampalam, S., & Gordon, N. (2004). Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House. ISBN: 978-1580536318
- Akyildiz, O. D., & Miguez, J. (2020). Nudging the particle filter. Statistics and Computing, 30(2), 315-336. DOI: 10.1007/s11222-019-09884-y ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/de/bayesian/robust-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.
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- Kalman FilterBayes-Statistik↔ compare
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ compare
- Robuste Bayes'sche InferenzBayes-Statistik↔ compare
- Robuster Kalman-FilterBayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →