Filtrage Séquentiel par Monte-Carlo pour Séries Temporelles
Le filtrage séquentiel par Monte-Carlo (SMC), communément appelé filtre particulaire, est une méthode de simulation bayésienne qui suit l'état caché d'un système dynamique à mesure que les observations arrivent une par une. Un nuage d'échantillons aléatoires pondérés — particules — est propagé à travers la dynamique du système, repondéré par la façon dont chaque particule explique la nouvelle observation, et périodiquement rééchantillonné pour maintenir la représentation concentrée sur les états plausibles.
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). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/fr/bayesian/time-series-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.
- Réseau bayésien dynamiqueBayésien↔ compare
- Échantillonnage de GibbsBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →