Filtre particulaire (Monte Carlo séquentiel)
Le filtre particulaire, introduit par Gordon, Salmond et Smith en 1993, est un algorithme de Monte Carlo séquentiel qui approxime la distribution de filtrage bayésien pour les modèles d'espace d'états non linéaires et non gaussiens. Plutôt que de suivre une seule meilleure estimation, il maintient un nuage de N échantillons aléatoires pondérés — des particules — qui représentent collectivement la distribution postérieure complète d'un état caché à chaque instant, à mesure que de nouvelles observations arrivent.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Sources
- 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., Godsill, S. J., & Andrieu, C. (2000). On sequential Monte Carlo sampling methods for Bayesian filtering. Statistics and Computing, 10(3), 197–208. DOI: 10.1023/A:1008935410038 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer-Verlag. ISBN: 978-0-387-95146-1
Comment citer cette page
ScholarGate. (2026, June 3). Particle Filter (Sequential Monte Carlo). ScholarGate. https://scholargate.app/fr/bayesian/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.
- Régression bayésienneBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Chaîne de Markov Monte Carlo (MCMC)Bayésien↔ compare
- Modèle d'espace d'états (Filtre de Kalman)Économétrie↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →