Solidarne sekwencyjne metody Monte Carlo
Solidarne sekwencyjne metody Monte Carlo (Robust SMC) rozszerzają standardowe filtrowanie cząsteczkowe w celu obsługi wartości odstających, szumu o grubych ogonach i błędnej specyfikacji modelu w danych sekwencyjnych. Poprzez zastąpienie założeń o gaussowskim prawdopodobieństwie obserwacji rozkładami o grubszych ogonach lub zastosowanie strategii wykrywania wartości odstających podczas ważenia cząstek, utrzymują dokładne śledzenie stanu i estymację parametrów nawet wtedy, gdy obserwacje odbiegają od założonego modelu.
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
- Ristic, B., Arulampalam, S., & Gordon, N. (2004). Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House. ISBN: 978-1580536318
- Akyildiz, O. D., & Miguez, J. (2020). Nudging the particle filter. Statistics and Computing, 30(2), 315-336. DOI: 10.1007/s11222-019-09884-y ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/pl/bayesian/robust-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.
- Hamiltonian Monte CarloStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Solidne wnioskowanie bayesowskieStatystyka bayesowska↔ compare
- Odporny filtr KalmanaStatystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →