Sekventiell Monte Carlo för tidsserier
Sekventiell Monte Carlo (SMC) för tidsserier, allmänt kallad partikelfilter, är en Bayesiansk simuleringsmetod som spårar det dolda tillståndet i ett dynamiskt system allteftersom observationer anländer en i taget. En moln av viktade slumpmässiga stickprov – partiklar – propageras framåt genom systemdynamiken, omviktas baserat på hur väl varje partikel förklarar den nya observationen, och samplas periodiskt om för att hålla representationen koncentrerad kring sannolika tillstånd.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/sv/bayesian/time-series-sequential-monte-carlo
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.
- Dynamiskt Bayesianskt NätverkBayesiansk statistik↔ compare
- Gibbs samplingBayesiansk statistik↔ compare
- KalmanfilterBayesiansk statistik↔ compare
- Partikelfilter (sekventiell Monte Carlo)Bayesiansk statistik↔ compare
- Sekventiell Monte CarloBayesiansk statistik↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →