Фильтр частиц для временных рядов
Фильтр частиц для временных рядов — это метод последовательного Монте-Карло, который отслеживает скрытое состояние нелинейной, негауссовой модели пространства состояний по мере поступления новых наблюдений по одному. Он представляет эволюционирующее апостериорное распределение над латентным состоянием как взвешенное облако случайных выборок (частиц), обновляя их на каждом временном шаге посредством распространения, взвешивания по правдоподобию и перевыборки.
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). Time Series Particle Filter (Sequential Monte Carlo for State-Space Models). ScholarGate. https://scholargate.app/ru/bayesian/time-series-particle-filter
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Динамическая байесовская сетьБайесовские методы↔ сравнить
- Фильтр КалманаБайесовские методы↔ сравнить
- Фильтр частиц (последовательное Монте-Карло)Байесовские методы↔ сравнить
- Последовательный Монте-КарлоБайесовские методы↔ сравнить
- Байесовский вывод для временных рядовБайесовские методы↔ сравнить
- Фильтр Калмана для временных рядовБайесовские методы↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →