Filtro de Partículas com Erro de Medição
Um filtro de partículas com erro de medição explícito é um algoritmo de Monte Carlo Sequencial que rastreia o estado oculto de um sistema dinâmico não linear e não gaussiano, modelando formalmente o ruído nas observações. Uma população de amostras aleatórias ponderadas (partículas) representa a distribuição de estado posterior em cada passo de tempo, e uma função de verossimilhança da observação quantifica o quão consistente cada partícula é com a medição ruidosa recebida.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter with Explicit Measurement Error. ScholarGate. https://scholargate.app/pt/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.
- Filtro de Kalman EstendidoTeoria de controle↔ compare
- Filtro de KalmanBayesiano↔ compare
- Monte Carlo SequencialBayesiano↔ compare
- Filtro de Kalman Não Linear (Unscented Kalman Filter - UKF)Teoria de controle↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →