Aegridade filtreerimine osakestega
Aegridade filtreerimine osakestega on järjestikune Monte Carlo meetod, mis jälgib mittelineaarse, mitte-Gaussiuse olekuruumi mudeli peidetud olekut uute vaatluste saabumisel ükshaaval. See kujutab endast peidetud oleku arenevat järeltihedust kaalutud juhuslike valimite (osakeste) pilvena, mida uuendatakse igal ajahüppel läbi leviku, tõenäosusskaalimise ja uuesti valimise.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Time Series Particle Filter (Sequential Monte Carlo for State-Space Models). ScholarGate. https://scholargate.app/et/bayesian/time-series-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.
- Dünaamiline BayesivõrkBayesi meetodid↔ compare
- Kalmani filterBayesi meetodid↔ compare
- Particle Filter (Sequential Monte Carlo)Bayesi meetodid↔ compare
- Jadaline Monte CarloBayesi meetodid↔ compare
- Aegridade Bayes'lik inferentsBayesi meetodid↔ compare
- Ajakohaline Kalman-filterBayesi meetodid↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →