Sekvensiell Monte Carlo for tidsserier
Sekvensiell Monte Carlo (SMC) for tidsserier, ofte kalt partikkelfilteret, er en Bayesiansk simuleringsmetode som sporer den skjulte tilstanden til et dynamisk system etter hvert som observasjoner ankommer én om gangen. En sky av vektede tilfeldige utvalg – partikler – forplantes fremover gjennom systemdynamikken, veies på nytt basert på hvor godt hver partikkel forklarer den nye observasjonen, og samples periodisk på nytt for å holde representasjonen konsentrert om plausible tilstander.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/no/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.
- Dynamisk Bayesiansk NettverkBayesiansk↔ compare
- Gibbs-samplingBayesiansk↔ compare
- Kalman-filteretBayesiansk↔ compare
- Partikkelfilter (sekvensiell Monte Carlo)Bayesiansk↔ compare
- Sekvensiell Monte CarloBayesiansk↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →