Динамический фильтр частиц
Динамический фильтр частиц — это алгоритм последовательного Монте-Карло, который отслеживает эволюционирующее скрытое состояние во времени, поддерживая популяцию взвешенных случайных выборок — частиц — каждая из которых представляет правдоподобную траекторию. По мере поступления новых наблюдений веса частиц обновляются с помощью функции правдоподобия, а популяция передискретизируется, сохраняя представление, сконцентрированное на наиболее вероятных областях состояния в полностью нелинейной и негауссовой среде.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Doucet, A., de Freitas, N. & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/ru/bayesian/dynamic-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.
- Динамический байесовский выводБайесовские методы↔ compare
- Фильтр КалманаБайесовские методы↔ compare
- Фильтр частиц (последовательное Монте-Карло)Байесовские методы↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →