Sequentiële Monte Carlo
Sequentiële Monte Carlo (SMC) is een familie van op simulatie gebaseerde algoritmen die evoluerende waarschijnlijkheidsverdelingen benaderen door een wolk van gewogen willekeurige trekkingen, deeltjes genaamd, voort te planten en opnieuw te wegen. Het verwerkt niet-lineaire, niet-Gaussische modellen en datastromen op natuurlijke wijze, waardoor het de voorkeursmethode is voor real-time toestandschatting en posterieure benadering over complexe verdelingen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
+41 meer
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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/nl/bayesian/sequential-monte-carlo
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Approximate Bayesian ComputationSimulatie↔ vergelijken
- Gibbs SamplingBayesiaanse statistiek↔ vergelijken
- Hamiltonian Monte CarloBayesiaanse statistiek↔ vergelijken
- KalmanfilterBayesiaanse statistiek↔ vergelijken
- Markov Chain Monte Carlo (MCMC)Bayesiaanse statistiek↔ vergelijken
- Deeltjesfilter (Sequentiële Monte Carlo)Bayesiaanse statistiek↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →