Bayesian methodsBayesian / computational
시계열 순차 몬테카를로
시계열 순차 몬테카를로(SMC), 흔히 파티클 필터라고도 불리는 이 방법은 관측값이 하나씩 도착함에 따라 동적 시스템의 은닉 상태를 추적하는 베이즈 시뮬레이션 방법입니다. 가중치가 부여된 무작위 표본의 구름, 즉 파티클들이 시스템 동역학을 통해 앞으로 전파되고, 각 파티클이 새로운 관측값을 얼마나 잘 설명하는지에 따라 재가중되며, 가능한 상태에 표현이 집중되도록 주기적으로 재표본 추출됩니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/ko/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.
- 동적 베이즈 네트워크베이지안↔ compare
- 깁스 샘플링(Gibbs Sampling)베이지안↔ compare
- 칼만 필터베이지안↔ compare
- 파티클 필터 (순차 몬테카를로)베이지안↔ compare
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ compare