Фильтр частиц с ошибкой измерения
Фильтр частиц с явной ошибкой измерения — это алгоритм последовательного Монте-Карло, который отслеживает скрытое состояние нелинейной, негауссовой динамической системы, формально моделируя шум в наблюдениях. Популяция взвешенных случайных выборок (частиц) представляет апостериорное распределение состояния на каждом временном шаге, а функция правдоподобия наблюдения количественно определяет, насколько каждая частица соответствует полученному зашумленному измерению.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter with Explicit Measurement Error. ScholarGate. https://scholargate.app/ru/bayesian/particle-filter-with-measurement-error
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Расширенный фильтр КалманаТеория управления↔ сравнить
- Фильтр КалманаБайесовские методы↔ сравнить
- Последовательный Монте-КарлоБайесовские методы↔ сравнить
- Фильтр Калмана без унарного преобразования (Unscented Kalman Filter, UKF)Теория управления↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →