Sekventiell Monte Carlo med mätfel
Sekventiell Monte Carlo (SMC) med mätfel är en partikelbaserad Bayesiansk filtreringsmetod för att spåra dolda tillstånd i dynamiska system när observationer är korrumperade av brus. Den fortplantar en viktad moln av partiklar över tid, uppdaterar vikter vid varje steg för att återspegla hur väl varje partikel förklarar den brusiga mätningen, och producerar en fullständig posterior fördelning över det latenta tillståndet vid varje tidpunkt.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer New York. ISBN: 978-0-387-95146-1
- Cappe, O., Godsill, S. J., & Moulines, E. (2007). An overview of existing methods and recent advances in sequential Monte Carlo. Proceedings of the IEEE, 95(5), 899-924. DOI: 10.1109/JPROC.2007.893250 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Sequential Monte Carlo with Measurement Error. ScholarGate. https://scholargate.app/sv/bayesian/sequential-monte-carlo-with-measurement-error
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Bayesiansk inferens med mätfelBayesiansk statistik↔ jämför
- Dynamisk Bayesiansk inferensBayesiansk statistik↔ jämför
- Kalmanfilter med mätfelBayesiansk statistik↔ jämför
- Markov Chain Monte Carlo (MCMC)Simulering↔ jämför
- Partikelfilter (sekventiell Monte Carlo)Bayesiansk statistik↔ jämför
- Sekventiell Monte CarloBayesiansk statistik↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →