ตัวกรองอนุภาคสำหรับอนุกรมเวลา
ตัวกรองอนุภาคสำหรับอนุกรมเวลาเป็นวิธีการมอนติคาร์โลแบบลำดับ (Sequential Monte Carlo method) ที่ติดตามสถานะซ่อนเร้น (hidden state) ของแบบจำลองปริภูมิสถานะ (state-space model) ที่ไม่เป็นเชิงเส้นและไม่เป็นแบบเกาส์เซียน (nonlinear, non-Gaussian) เมื่อมีการสังเกตการณ์ใหม่เข้ามาทีละรายการ ตัวกรองนี้แสดงการกระจายตัวของความน่าจะเป็นภายหลัง (posterior distribution) ที่เปลี่ยนแปลงไปตามสถานะแฝง (latent state) ด้วยกลุ่มตัวอย่างแบบสุ่มที่มีน้ำหนัก (อนุภาค) และปรับปรุงอนุภาคเหล่านั้นในแต่ละขั้นเวลาผ่านการแพร่กระจาย (propagation) การถ่วงน้ำหนักความควรจะเป็น (likelihood weighting) และการสุ่มตัวอย่างใหม่ (resampling)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Time Series Particle Filter (Sequential Monte Carlo for State-Space Models). ScholarGate. https://scholargate.app/th/bayesian/time-series-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.
- เครือข่ายเบย์เซียนพลวัตเบย์↔ compare
- Kalman Filterเบย์↔ compare
- Particle Filter (Sequential Monte Carlo)เบย์↔ compare
- Sequential Monte Carloเบย์↔ compare
- การอนุมานแบบเบย์สำหรับอนุกรมเวลาเบย์↔ compare
- ตัวกรองคาลมานสำหรับอนุกรมเวลาเบย์↔ compare