Bayesian methodsBayesian / computational

Monte Carlo Sekuensial

Monte Carlo Sekuensial (SMC) ialah satu keluarga algoritma berasaskan simulasi yang menghampiri taburan kebarangkalian yang berevolusi dengan menyebarkan dan memberat semula sekumpulan cabutan rawak ber تبرت (partikel). Ia mengendalikan model tak linear, tak Gaussian dan aliran data secara semula jadi, menjadikannya kaedah pilihan untuk anggaran keadaan masa nyata dan penghampiran posterior ke atas taburan kompleks.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Monte Carlo Sekuensial

Pengiraan Bayesian Angga…Sampel Gibbs Hamiltonian Monte Carlo Penapis Kalman Markov Chain Monte Carlo…Penapis Zarah (Monte Car…Perkiraan Taburan Bayesi…Perkiraan Pengkomputasia…Model Bayesian Hirarki D…Inferensi Bayesian Dinam…

+41 more

Sumber

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 ↗
Del Moral, P., Doucet, A., & Jasra, A. (2006). Sequential Monte Carlo samplers. Journal of the Royal Statistical Society: Series B, 68(3), 411–436. DOI: 10.1111/j.1467-9868.2006.00553.x ↗

Cara memetik halaman ini

ScholarGate. (2026, June 3). Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/ms/bayesian/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.

Pengiraan Bayesian AnggaranSimulasi↔ compare
Sampel GibbsBayesian↔ compare
Hamiltonian Monte CarloBayesian↔ compare
Penapis KalmanBayesian↔ compare
Markov Chain Monte Carlo (MCMC)Bayesian↔ compare
Penapis Zarah (Monte Carlo Sekuen)Bayesian↔ compare

Compare side by side →

Dirujuk oleh

Pengiraan Bayesian Anggaran Perkiraan Taburan Bayesian dengan Ralat Pengukuran Perkiraan Pengkomputasian Bayesian dengan Data Hilang Model Bayesian Hirarki Dinamik Inferensi Bayesian Dinamik Purata Model Bayesian Dinamik (DMA)Rangkaian Bayesian Dinamik Hamiltonian Monte Carlo Dinamik Simulasi Monte Carlo Dinamik Penapis Zarah Dinamik Monte Carlo Sekuensial Dinamik Inferensi Variasi Dinamik Kiraan Bayesian Aproksimasi Bertingkat Simulasi Bootstrap Hierarki Penapis Kalman Berhierarki Penapis Zarah Hierarkis Penapis Kalman Penapis Kalman dengan Ralat Pengukuran Penapis Kalman dengan Data Hilang Algoritma Metropolis-Hastings Metropolis-Hastings untuk Perbandingan Model Simulasi Monte Carlo dengan Data Hilang Pengiraan Bayesian Anggaran Pelbagai Tahap Simulasi Bootstrap Bertingkat Simulasi Monte Carlo Bertingkat Penapis Zarah dengan Ralat Pengukuran Penapis Zarah dengan Data Hilang Perhitungan Bayesian Penghampiran Teguh Penapis Kalman Mantap Markov Chain Monte Carlo (MCMC) Robust Simulasi Monte Carlo Teguh Penapis Zarah Teguh Sequential Monte Carlo Sekukuh Sequential Monte Carlo dengan Ralat Pengukuran Monte Carlo Sekuensial dengan Data Hilang Spatial Approximate Bayesian Computation Simulasi Bootstrap Spatial Penuras Kalman spatial Simulasi Monte Carlo Spatial Perkiraan Bayesian Nombor Siri Masa Inferensi Bayesian Deret Masa Purataan Model Bayesian Siri Masa Penapis Kalman Siri Masa MCMC Siri Masa Penapis Zarah Deret Masa SMC Urutan Deret Masa Inferens Variasi Siri Masa

Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →