Динамички филтер честица
Динамички филтер честица је секвенцијални Монте Карло алгоритам који прати еволуирајуће скривено стање током времена одржавајући популацију утегованих случајних узорака — честица — од којих свака представља вероватну путању. Како пристижу нове опсервације, тегови честица се ажурирају путем вероватноће, а популација се реузоркује, задржавајући репрезентацију концентрисану на наjвероватнијим регионима стања у потпуно нелинеарном и не-Гаусовском окружењу.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Dynamic Particle Filter for Sequential State Estimation. ScholarGate. https://scholargate.app/sr/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.
- Динамичко Бајесово закључивањеBajesovska statistika↔ compare
- Kalmanov filterBajesovska statistika↔ compare
- Филтер честица (секвенцијални Монте Карло)Bajesovska statistika↔ compare
- Sekvenciјalni Monte KarloBajesovska statistika↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →