Filtr cząsteczkowy (Sekwencyjny Monte Carlo)
Filtr cząsteczkowy, wprowadzony przez Gordona, Salmonda i Smitha w 1993 roku, jest algorytmem sekwencyjnym Monte Carlo, który aproksymuje bayesowskie rozkłady filtrowania dla nieliniowych i nieliniowych modeli przestrzeni stanów. Zamiast śledzić pojedynczą najlepszą estymację, utrzymuje on chmurę N ważonych losowych próbek — cząsteczek — które zbiorczo reprezentują pełny rozkład posteriorny ukrytego stanu w każdym punkcie czasowym, gdy pojawiają się nowe obserwacje.
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.
+25 more
Źródła
- 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., Godsill, S. J., & Andrieu, C. (2000). On sequential Monte Carlo sampling methods for Bayesian filtering. Statistics and Computing, 10(3), 197–208. DOI: 10.1023/A:1008935410038 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer-Verlag. ISBN: 978-0-387-95146-1
Jak cytować tę stronę
ScholarGate. (2026, June 3). Particle Filter (Sequential Monte Carlo). ScholarGate. https://scholargate.app/pl/bayesian/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.
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ compare
- Model przestrzeni stanów (filtr Kalmana)Ekonometria↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →