Bayesian methodsBayesian / computational

Sequential Monte Carlo

Sequential Monte Carlo (SMC) เป็นกลุ่มของอัลกอริทึมที่ใช้การจำลองเพื่อประมาณการแจกแจงความน่าจะเป็นที่เปลี่ยนแปลงไป โดยการแพร่กระจายและถ่วงน้ำหนักกลุ่มของการสุ่มตัวอย่างแบบถ่วงน้ำหนักที่เรียกว่าอนุภาค (particles) วิธีการนี้สามารถจัดการกับแบบจำลองที่ไม่เป็นเชิงเส้น ไม่ใช่แบบเกาส์เซียน และกระแสข้อมูลได้อย่างเป็นธรรมชาติ ทำให้เป็นวิธีการที่เลือกใช้สำหรับการประมาณค่าสถานะแบบเรียลไทม์และการประมาณค่า posterior สำหรับการแจกแจงที่ซับซ้อน

เปิดใน MethodMindเร็ว ๆ นี้วิดีโอเร็ว ๆ นี้Download slides

อ่านวิธีฉบับเต็ม

สำหรับสมาชิกเท่านั้น

เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้

เข้าสู่ระบบ

Method map

The neighbourhood of related methods — select a node to explore.

Sequential Monte Carlo

การคำนวณแบบเบย์เชิงประมาณ การสุ่มตัวอย่างแบบกิบบส์Hamiltonian Monte Carlo Kalman Filter Markov Chain Monte Carlo…Particle Filter (Sequent…การคำนวณแบบเบย์โดยประมาณ…การคำนวณแบบเบย์โดยประมาณ…แบบจำลองลำดับชั้นแบบเบย์…การอนุมานแบบเบย์เชิงพลวัต

+41 more

แหล่งอ้างอิง

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 ↗
Del Moral, P., Doucet, A., & Jasra, A. (2006). Sequential Monte Carlo samplers. Journal of the Royal Statistical Society: Series B, 68(3), 411–436. DOI: 10.1111/j.1467-9868.2006.00553.x ↗

วิธีอ้างอิงหน้านี้

ScholarGate. (2026, June 3). Sequential Monte Carlo Methods. ScholarGate. https://scholargate.app/th/bayesian/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.

การคำนวณแบบเบย์เชิงประมาณการจำลอง↔ compare
การสุ่มตัวอย่างแบบกิบบส์เบย์↔ compare
Hamiltonian Monte Carloเบย์↔ compare
Kalman Filterเบย์↔ compare
Markov Chain Monte Carlo (MCMC)เบย์↔ compare
Particle Filter (Sequential Monte Carlo)เบย์↔ compare

Compare side by side →

ถูกอ้างอิงโดย

การคำนวณแบบเบย์เชิงประมาณ การคำนวณแบบเบย์โดยประมาณพร้อมความคลาดเคลื่อนในการวัด การคำนวณแบบเบย์โดยประมาณสำหรับข้อมูลที่ขาดหายไป แบบจำลองลำดับชั้นแบบเบย์แบบพลวัต การอนุมานแบบเบย์เชิงพลวัต การถัวเฉลี่ยแบบเบย์เซียนพลวัตของแบบจำลอง เครือข่ายเบย์เซียนพลวัต Dynamic Hamiltonian Monte Carlo การจำลองแบบพลวัตด้วยวิธีมอนติคาร์โล (Dynamic Monte Carlo Simulation)Dynamic Particle Filter มอนติคาร์โลลำดับพลวัต การอนุมานแปรผันแบบพลวัต Hierarchical Approximate Bayesian Computation การจำลองแบบบูตสแตรพ์แบบลำดับชั้น ตัวกรองคาลมานแบบลำดับชั้น ตัวกรองอนุภาคแบบลำดับชั้น (Hierarchical Particle Filter)Kalman Filter ตัวกรองคาลมานพร้อมความคลาดเคลื่อนของการวัด Kalman Filter with Missing Data ขั้นตอนวิธีเมโทรโพลิส-เฮสติงส์Metropolis-Hastings สำหรับการเปรียบเทียบโมเดล การจำลองแบบมอนติคาร์โลกับข้อมูลที่ขาดหาย การคำนวณแบบเบย์โดยประมาณหลายระดับ การจำลองแบบบูตสแตรปหลายระดับ การจำลองมอนติคาร์โลหลายระดับ ตัวกรองอนุภาคพร้อมความคลาดเคลื่อนของการวัด ตัวกรองอนุภาคสำหรับข้อมูลที่ขาดหายไป การคำนวณแบบเบย์เชิงประมาณที่ทนทาน ตัวกรองคาลมานแบบทนทาน (Robust Kalman Filter)Markov Chain Monte Carlo (MCMC) แบบทนทาน การจำลองแบบมอนติคาร์โลที่ทนทาน (Robust Monte Carlo simulation)Robust Particle Filter Robust Sequential Monte Carlo Sequential Monte Carlo with Measurement Error Sequential Monte Carlo with Missing Data การคำนวณเชิงอนุมานแบบเบย์เชิงพื้นที่โดยประมาณ การจำลองบูตสแตรปเชิงพื้นที่Spatial Kalman Filter การจำลองแบบมอนติคาร์โลเชิงพื้นที่การคำนวณแบบเบย์เชิงประมาณอนุกรมเวลา การอนุมานแบบเบย์สำหรับอนุกรมเวลา การเฉลี่ยแบบจำลองเบย์สำหรับอนุกรมเวลา ตัวกรองคาลมานสำหรับอนุกรมเวลา Time Series MCMC ตัวกรองอนุภาคสำหรับอนุกรมเวลา การสุ่มตัวอย่างแบบมอนติคาร์โลตามลำดับอนุกรมเวลา การอนุมานแบบแปรผันสำหรับอนุกรมเวลา

พบปัญหาในหน้านี้หรือไม่ แจ้งหรือเสนอการแก้ไข →