Sekvenciālā Montekarlo metode ar mērījumu kļūdu
Sekvenciālā Montekarlo metode (SMC) ar mērījumu kļūdu ir uz daļiņām balstīta Bajesas filtrēšanas metode slēpto stāvokļu izsekošanai dinamiskās sistēmās, kad novērojumi ir piesārņoti ar troksni. Tā laika gaitā izplata svērto daļiņu kopu, katrā solī atjauninot svarus, lai atspoguļotu, cik labi katra daļiņa izskaidro trokšņaino mērījumu, un katrā laika punktā nodrošina pilnu aizmugures sadalījumu virs slēptā stāvokļa.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer New York. ISBN: 978-0-387-95146-1
- Cappe, O., Godsill, S. J., & Moulines, E. (2007). An overview of existing methods and recent advances in sequential Monte Carlo. Proceedings of the IEEE, 95(5), 899-924. DOI: 10.1109/JPROC.2007.893250 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Sequential Monte Carlo with Measurement Error. ScholarGate. https://scholargate.app/lv/bayesian/sequential-monte-carlo-with-measurement-error
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Bajesiešu secinājumi ar mērījumu kļūduBajesa metodes↔ salīdzināt
- Dinamiskā Bayesas inferencēšanaBajesa metodes↔ salīdzināt
- Kalman Filter ar kļūdu mērījumosBajesa metodes↔ salīdzināt
- Markov Chain Monte Carlo (MCMC)Simulācija↔ salīdzināt
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ salīdzināt
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →