Filtro de partículas con error de medición
Un filtro de partículas con error de medición explícito es un algoritmo de Monte Carlo secuencial que rastrea el estado oculto de un sistema dinámico no lineal y no gaussiano, modelando formalmente el ruido en las observaciones. Una población de muestras aleatorias ponderadas (partículas) representa la distribución de probabilidad del estado posterior en cada paso de tiempo, y una función de verosimilitud de la observación cuantifica cuán consistente es cada partícula con la medición ruidosa recibida.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter with Explicit Measurement Error. ScholarGate. https://scholargate.app/es/bayesian/particle-filter-with-measurement-error
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.
- Filtro de Kalman ExtendidoTeoría de control↔ compare
- Filtro de KalmanBayesiano↔ compare
- Monte Carlo SecuencialBayesiano↔ compare
- Filtro de Kalman sin PerfumeTeoría de control↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →