Dinamiskais daļiņu filtrs
Dinamiskais daļiņu filtrs ir secīgs Montekarlo algoritms, kas laika gaitā izseko mainīgu slēpto stāvokli, uzturot svērtu nejaušu izlases — daļiņu — kopumu, katrai no kurām ir iespējama trajektorija. Saņemot jaunus novērojumus, daļiņu svari tiek atjaunināti, izmantojot ticamību, un kopums tiek pārmērots, saglabājot reprezentāciju koncentrētu uz visvairāk iespējamajiem stāvokļa apgabaliem pilnīgi nelineārā un ne-Gausa vidē.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Doucet, A., de Freitas, N. & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/lv/bayesian/dynamic-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.
- Dinamiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →