Bayesian methodsBayesian / computational

مونت کارلو ترتیبی مقاوم

مونت کارلو ترتیبی مقاوم (Robust SMC) فیلترهای ذره‌ای استاندارد را برای مدیریت داده‌های پرت، نویز با دُم سنگین و مشخصات نادرست مدل در داده‌های ترتیبی گسترش می‌دهد. با جایگزینی مفروضات احتمال گوسی با توزیع‌های با دُم سنگین‌تر یا با استفاده از استراتژی‌های تشخیص داده پرت در طول وزن‌دهی ذرات، این روش حتی زمانی که مشاهدات از مدل مفروض انحراف می‌یابند، ردیابی دقیق حالت و تخمین پارامتر را حفظ می‌کند.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

منابع

  1. Ristic, B., Arulampalam, S., & Gordon, N. (2004). Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House. ISBN: 978-1580536318
  2. Akyildiz, O. D., & Miguez, J. (2020). Nudging the particle filter. Statistics and Computing, 30(2), 315-336. DOI: 10.1007/s11222-019-09884-y

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Robust Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/fa/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.

Compare side by side

ارجاع‌شده در

ScholarGateRobust Sequential Monte Carlo (Robust Sequential Monte Carlo Methods). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/bayesian/robust-sequential-monte-carlo · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026