Laika sēriju secīgā Montekarlo metode
Laika sēriju secīgā Montekarlo metode (SMC), ko parasti dēvē par daļiņu filtru, ir beijesiska simulācijas metode, kas izseko dinamiskas sistēmas slēpto stāvokli, vienlaicīgi saņemot novērojumus. Svariem piepildītu nejaušu paraugu — daļiņu — mākonis tiek virzīts uz priekšu caur sistēmas dinamiku, pārvērtēts atbilstoši tam, cik labi katra daļiņa izskaidro jauno novērojumu, un periodiski pārmēģināts, lai saglabātu reprezentāciju koncentrētu uz ticamiem stāvokļiem.
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
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/lv/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.
- Dinamiskais beijes tīklsBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →