Tijdreeks Sequentiële Monte Carlo
Tijdreeks sequentiële Monte Carlo (SMC), algemeen bekend als het deeltjesfilter, is een Bayesiaanse simulatiemethode die de verborgen toestand van een dynamisch systeem volgt naarmate observaties één voor één binnenkomen. Een wolk van gewogen willekeurige steekproeven — deeltjes — wordt voortgeplant door de systeemdynamica, opnieuw gewogen op basis van hoe goed elk deeltje de nieuwe observatie verklaart, en periodiek opnieuw bemonsterd om de representatie geconcentreerd te houden op plausibele toestanden.
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 Methods for Time Series. ScholarGate. https://scholargate.app/nl/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.
- Dynamisch Bayesiaans NetwerkBayesiaanse statistiek↔ compare
- Gibbs SamplingBayesiaanse statistiek↔ compare
- KalmanfilterBayesiaanse statistiek↔ compare
- Deeltjesfilter (Sequentiële Monte Carlo)Bayesiaanse statistiek↔ compare
- Sequentiële Monte CarloBayesiaanse statistiek↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →