Particle Filter met Meetfout
Een particle filter met expliciete meetfout is een Sequentieel Monte Carlo-algoritme dat de verborgen toestand van een niet-lineair, niet-Gaussiaans dynamisch systeem volgt, terwijl ruis in de observaties formeel wordt gemodelleerd. Een populatie van gewogen willekeurige steekproeven (deeltjes) representeert de posterieure toestandsverdeling bij elke tijdstap, en een observatielikelihoodfunctie kwantificeert hoe consistent elk deeltje is met de ruisige meting die is ontvangen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter with Explicit Measurement Error. ScholarGate. https://scholargate.app/nl/bayesian/particle-filter-with-measurement-error
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.
- Extended Kalman FilterRegeltechniek↔ compare
- KalmanfilterBayesiaanse statistiek↔ compare
- Sequentiële Monte CarloBayesiaanse statistiek↔ compare
- Unscented Kalman FilterRegeltechniek↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →