Filtre particulaire pour séries temporelles
Le filtre particulaire pour séries temporelles est une méthode de Monte Carlo séquentiel qui suit l'état caché d'un modèle d'espace d'états non linéaire et non gaussien à mesure que de nouvelles observations arrivent une par une. Il représente la distribution postérieure évolutive sur l'état latent comme un nuage pondéré d'échantillons aléatoires (particules), les mettant à jour à chaque pas de temps par propagation, pondération par vraisemblance et rééchantillonnage.
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
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Time Series Particle Filter (Sequential Monte Carlo for State-Space Models). ScholarGate. https://scholargate.app/fr/bayesian/time-series-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.
- Réseau bayésien dynamiqueBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
- Inférence bayésienne sur séries temporellesBayésien↔ compare
- Filtre de Kalman pour séries temporellesBayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →