Sequential Monte Carlo avec erreur de mesure
Le Sequential Monte Carlo (SMC) avec erreur de mesure est une méthode de filtrage bayésien basée sur des particules pour le suivi d'états cachés dans des systèmes dynamiques lorsque les observations sont corrompues par du bruit. Il propage un nuage pondéré de particules dans le temps, mettant à jour les poids à chaque étape pour refléter la façon dont chaque particule explique la mesure bruitée, et produit une distribution a posteriori complète sur l'état latent à chaque instant.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Sequential Monte Carlo with Measurement Error. ScholarGate. https://scholargate.app/fr/bayesian/sequential-monte-carlo-with-measurement-error
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.
- Inférence bayésienne avec erreur de mesureBayésien↔ compare
- Inférence bayésienne dynamiqueBayésien↔ compare
- Filtre de Kalman avec erreur de mesureBayésien↔ compare
- Chaîne de Markov Monte Carlo (MCMC)Simulation↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →