Dynamiczny filtr cząsteczkowy
Dynamiczny filtr cząsteczkowy to sekwencyjny algorytm Monte Carlo, który śledzi ewoluujący ukryty stan w czasie, utrzymując populację ważonych losowych próbek — cząsteczek — z których każda reprezentuje wiarygodną trajektorię. W miarę napływu nowych obserwacji wagi cząsteczek są aktualizowane za pomocą funkcji wiarygodności, a populacja jest ponownie próbkowana, utrzymując reprezentację skoncentrowaną na najbardziej prawdopodobnych obszarach stanu w pełni nieliniowym i niegaussowskim środowisku.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Doucet, A., de Freitas, N. & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/pl/bayesian/dynamic-particle-filter
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.
- Dynamic Bayesian InferenceStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →