Sekventiaalinen Monte Carlo -menetelmä mittausvirheellä
Sekventiaalinen Monte Carlo (SMC) mittausvirheellä on hiukkaspohjainen Bayesiläinen suodatusmenetelmä piilotettujen tilojen seuraamiseksi dynaamisissa järjestelmissä, kun havainnot ovat kohinan vääristämiä. Se ylläpitää painotettua hiukkaspilveä ajan funktiona ja päivittää painoja jokaisessa vaiheessa heijastamaan sitä, kuinka hyvin kukin hiukkanen selittää kohinaisen mittauksen, ja tuottaa täydellisen posteriorijakauman piilevälle tilalle jokaisella ajanhetkellä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer New York. ISBN: 978-0-387-95146-1
- Cappe, O., Godsill, S. J., & Moulines, E. (2007). An overview of existing methods and recent advances in sequential Monte Carlo. Proceedings of the IEEE, 95(5), 899-924. DOI: 10.1109/JPROC.2007.893250 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Sequential Monte Carlo with Measurement Error. ScholarGate. https://scholargate.app/fi/bayesian/sequential-monte-carlo-with-measurement-error
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Bayesiläinen päättely mittausvirheelläBayesilainen tilastotiede↔ vertaa
- Dynaaminen Bayesilainen päättelyBayesilainen tilastotiede↔ vertaa
- Kalman-suodin mittausvirheelläBayesilainen tilastotiede↔ vertaa
- Markov Chain Monte Carlo (MCMC)Simulointi↔ vertaa
- Partikkelisuodin (sekventiaalinen Monte Carlo)Bayesilainen tilastotiede↔ vertaa
- Sekventiaalinen Monte CarloBayesilainen tilastotiede↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →