Sequenzielles Monte Carlo für Zeitreihen
Sequenzielles Monte Carlo (SMC) für Zeitreihen, gemeinhin als Partikelfilter bezeichnet, ist eine Bayessche Simulationsmethode, die den verborgenen Zustand eines dynamischen Systems verfolgt, während Beobachtungen einzeln eintreffen. Eine Wolke gewichteter Zufallsstichproben – Partikel – wird durch die Systemdynamik vorwärts propagiert, neu gewichtet danach, wie gut jedes Partikel die neue Beobachtung erklärt, und periodisch neu abgetastet, um die Darstellung auf plausible Zustände konzentriert zu halten.
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
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/de/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.
- Dynamisches Bayes'sches NetzBayes-Statistik↔ compare
- Gibbs-SamplingBayes-Statistik↔ compare
- Kalman FilterBayes-Statistik↔ compare
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →