Filtr cząsteczkowy z błędem pomiaru
Filtr cząsteczkowy z jawnym błędem pomiaru to algorytm sekwencyjnego Monte Carlo, który śledzi ukryty stan nieliniowego, nieliniowego dynamicznego systemu, formalnie modelując szum w obserwacjach. Populacja ważonych losowych próbek (cząsteczek) reprezentuje rozkład stanu posterior w każdym kroku czasowym, a funkcja wiarygodności obserwacji kwantyfikuje, jak bardzo każda cząsteczka jest zgodna z otrzymanym zaszumionym pomiarem.
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
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter with Explicit Measurement Error. ScholarGate. https://scholargate.app/pl/bayesian/particle-filter-with-measurement-error
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.
- Rozszerzony Filtr KalmanaTeoria sterowania↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
- Filtr Kalmana bezwstydny (Unscented Kalman Filter, UKF)Teoria sterowania↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →