Monte Carlo Séquentiel Robuste
Le Monte Carlo Séquentiel Robuste (SMC Robuste) étend le filtrage particulaire standard pour gérer les valeurs aberrantes, le bruit à queues épaisses et la mauvaise spécification du modèle dans les données séquentielles. En remplaçant les hypothèses de vraisemblance gaussienne par des distributions à queues plus épaisses ou en employant des stratégies de détection des valeurs aberrantes lors de la pondération des particules, il maintient un suivi d'état et une estimation de paramètres précis, même lorsque les observations s'écartent du modèle supposé.
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.
Sources
- Ristic, B., Arulampalam, S., & Gordon, N. (2004). Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House. ISBN: 978-1580536318
- Akyildiz, O. D., & Miguez, J. (2020). Nudging the particle filter. Statistics and Computing, 30(2), 315-336. DOI: 10.1007/s11222-019-09884-y ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/fr/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.
- Monte Carlo HamiltonienBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Inférence bayésienne robusteBayésien↔ compare
- Filtre de Kalman robusteBayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →