Robust Sequential Monte Carlo
Robust Sequential Monte Carlo (Robust SMC) papildina standarta daļiņu filtrēšanu, lai apstrādātu novērojumus ar izmetumiem (outliers), smagām astēm (heavy-tailed) trokšņiem un nepareizi specifikētām modelēm secīgos datos. Aizstājot Gaussian novērojumu ticamības (likelihood) pieņēmumus ar smagāku asti sadalījumiem vai izmantojot izmetumu noteikšanas stratēģijas daļiņu svēršanas laikā, tas saglabā precīzu stāvokļa izsekošanu un parametru novērtēšanu pat tad, ja novērojumi atšķiras no pieņemtā modeļa.
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
- Ristic, B., Arulampalam, S., & Gordon, N. (2004). Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House. ISBN: 978-1580536318
- Akyildiz, O. D., & Miguez, J. (2020). Nudging the particle filter. Statistics and Computing, 30(2), 315-336. DOI: 10.1007/s11222-019-09884-y ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/lv/bayesian/robust-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.
- Hamiltona MontekarloBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ compare
- Robustā Bēsa secināšanaBajesa metodes↔ compare
- Robustais Kalmana filtrsBajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →