Filtrowanie cząsteczkowe szeregów czasowych
Filtrowanie cząsteczkowe szeregów czasowych to metoda sekwencyjnego Monte Carlo, która śledzi ukryty stan nieliniowego, niegaussowskiego modelu przestrzeni stanów w miarę napływania nowych obserwacji. Reprezentuje ona ewoluujący rozkład a posteriori dla stanu ukrytego jako ważoną chmurę losowych próbek (cząsteczek), aktualizując je w każdym kroku czasowym poprzez propagację, ważenie wiarygodności i ponowne próbkowanie.
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). Time Series Particle Filter (Sequential Monte Carlo for State-Space Models). ScholarGate. https://scholargate.app/pl/bayesian/time-series-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.
- Sieci Bayesowskie DynamiczneStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
- Bayesowskie wnioskowanie w szeregach czasowychStatystyka bayesowska↔ compare
- Filtr Kalmana dla szeregów czasowychStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →