Dynamický časticový filter
Dynamický časticový filter je sekvenčný Monte Carlo algoritmus, ktorý sleduje vyvíjajúci sa skrytý stav v čase udržiavaním populácie vážených náhodných vzoriek – častíc –, pričom každá reprezentuje pravdepodobnú trajektóriu. S príchodom nových pozorovaní sa váhy častíc aktualizujú pomocou vierohodnosti a populácia sa presampluje, čím sa reprezentácia koncentruje na najpravdepodobnejšie oblasti stavu v plne nelineárnom a negaussovskom prostredí.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/sk/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.
- Dynamická bayesovská inferenciaBayesovské metódy↔ compare
- Kalmanov filterBayesovské metódy↔ compare
- Časticový filter (sekvenčné metódy Monte Carlo)Bayesovské metódy↔ compare
- Sekvenčné Monte CarloBayesovské metódy↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →