Sequential Monte Carlo Methods for Time Series
تصور کنید یک جسم متحرک را با استفاده از قرائتهای نویزی سنسور ردیابی میکنید. به جای اتخاذ یک تخمین مکان واحد، صدها حدس (ذرات) را حفظ میکنید که هر کدام نمایانگر یک موقعیت محتمل هستند. با دریافت هر قرائت جدید سنسور، حدسهایی که با قرائت مطابقت دارند وزن بیشتری کسب میکنند در حالی که حدسهای نامحتمل کاهش مییابند. گهگاه نمونهبرداری مجدد میکنید، حدسهای ناامیدکننده را دور میاندازید و حدسهای خوب را تکثیر میکنید. مجموعه حدسهای باقیمانده و وزندار، تصویر جاری شما از احتمالاً محل جسم و میزان عدم قطعیت این باور را نشان میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/fa/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.
- شبکه بیزی پویابیزی↔ compare
- نمونهگیری گیبسبیزی↔ compare
- فیلتر کالمنبیزی↔ compare
- فیلتر ذرهای (مونت کارلوی ترتیبی)بیزی↔ compare
- مونتکارلوی ترتیبیبیزی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →