Parçacık Filtresi (Sıralı Monte Carlo)
Particle Filter (Sequential Monte Carlo) · Ayrıca şöyle bilinir: SMC, sequential Monte Carlo, bootstrap filter, condensation algorithm, SIR filter, sequential importance resampling
Gordon, Salmond ve Smith tarafından 1993'te tanıtılan parçacık filtresi, doğrusal olmayan ve Gauss-olmayan durum-uzay modelleri için Bayesçi filtreleme dağılımını yaklaştıran sıralı bir Monte Carlo algoritmasıdır. Tek bir en iyi tahmini izlemek yerine, her zaman adımında yeni gözlemler geldikçe gizli bir durumun tam sonsal dağılımını kolektif olarak temsil eden, ağırlıklı rastgele örneklerden oluşan N parçacık bulutunu korur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+24 tane daha
Ne zaman kullanılır
Durum-uzay modeli doğrusal olmayan ve/veya Gauss-olmayan olduğunda ve bu nedenle Kalman tipi bir filtre doğrudan uygulanamadığında bir parçacık filtresi kullanın. Tipik koşullar: geçiş veya gözlem modeli doğrusal olmayan dönüşümler içerir (örneğin, yalnızca taşıma izlemede trigonometrik fonksiyonlar); gözlem gürültüsü ağır kuyruklu, çok modlu veya başka şekilde Gauss-olmayan; durum boyutu düşük ila orta düzeydedir (tipik olarak yaklaşık 20 boyutun altında - yüksek boyutlu durum uzayları boyutluluk lanetine neden olur, üstel sayıda parçacık gerektirir). Parçacık filtreleri doğası gereği çevrimiçidir: gözlemleri sıralı olarak işler ve tam veri geçmişini depolamadan sonsalı gerçek zamanlı olarak günceller, bu da onları gömülü ve akış uygulamaları için uygun hale getirir. Sonsalın tam ve çok daha ucuz olduğu tamamen doğrusal-Gauss problemleri için optimal değildir.
Güçlü yönler & sınırlılıklar
- Model yapısının yaklaştırılması olmadan keyfi doğrusal olmayan dinamikleri ve Gauss-olmayan gürültüyü işler.
- Sonsal dağılımına tam bir yaklaştırma sağlar, yalnızca bir nokta tahmini veya Gauss özeti değil.
- Doğal olarak sıralı ve çevrimiçi: sonsal, her yeni gözlem geldiğinde artımlı olarak güncellenir.
- Kavramsal olarak basit ve paralelleştirilebilir - her parçacık bağımsız olarak gelişir ve ağırlıklandırılır.
- Asimptotik olarak tutarlıdır: artan parçacık sayısı N ile yaklaşım iyileşir.
- Boyutluluk lanetinden muzdariptir: sonsalı doğru bir şekilde temsil etmek için gereken parçacık sayısı, durum boyutuna göre üstel olarak artar, bu da naif parçacık filtrelerini yüksek boyutlu problemler için uygulanamaz hale getirir.
- Yeniden örnekleme yokluğunda ağırlık dejenerasyonu ve tekrarlanan yeniden örneklemeden sonra örnek yoksullaşması (çeşitlilik kaybı) performansı düşürebilir.
- Hesaplama maliyeti her zaman adımında N ile doğrusal olarak ölçeklenir; gerçek zamanlı uygulamalar için parçacık bütçesi işlem hızı ile sınırlıdır.
- Öneri dağılımının seçimi verimliliği büyük ölçüde etkiler; bootstrap filtresi (öneri olarak öncelik), olasılık önceliğe göre oldukça sivri olduğunda çok verimsiz olabilir.
- Kapalı formda sonsal sağlamaz; belirsizlik ölçümü Monte Carlo doğruluğu ile sınırlıdır.
SSS
Bir parçacık filtresi bir Kalman filtresinden nasıl farklıdır?
Kalman filtresi, doğrusal-Gauss durum-uzay modelleri için kesin Bayesçi çözümdür ve sonsalı bir ortalama ve kovaryans ile karakterize edilen bir Gauss olarak temsil eder. Hesaplama açısından ucuzdur ancak model doğrusal olmadığında veya gürültü Gauss-olmadığında bozulur. Parçacık filtresi, doğrusal veya Gauss varsayımı yapmaz: sonsalı ağırlıklı örnek bulutu olarak parametrik olmayan bir şekilde temsil eder ve keyfi model formlarını işleyebilir. Karşılığında hesaplama maliyeti vardır - parçacıklar tek tek yayılmalı ve N büyük olabilir.
Ağırlık dejenerasyonu nedir ve nasıl düzeltilir?
Ağırlık dejenerasyonu, birkaç zaman adımından sonra, esasen toplam ağırlığın bir veya iki parçacıkta yoğunlaşmasıyla meydana gelir, böylece etkin örneklem boyutu N_eff bire doğru çöker. Standart çare yeniden örneklemedir: mevcut kümeden ağırlıklarına orantılı olarak N yeni parçacık çekin ve tüm ağırlıkları 1/N'ye sıfırlayın. Bu, düşük ağırlıklı parçacıkları atar ve yüksek ağırlıklı olanları çoğaltır, çeşitliliği geri yükler. N_eff kullanıcı tarafından ayarlanan bir eşiğin (genellikle N/2) altına düştüğünde yeniden örnekleme uyarlanabilir olarak tetiklenir. Dikkatli olunmalıdır çünkü yeniden örnekleme kendi sorununu getirir - örnek yoksullaşması - bu nedenle MCMC yenileme veya çekirdek tabanlı düzenlileştirme eklenebilir.
Kaç parçacığa ihtiyacım var?
Evrensel bir cevap yoktur. Gerekli N, durum boyutuna, olasılığın sivrilik derecesine ve gerekli doğruluğa bağlıdır. Yaygın bir teşhis, filtreyi artan N (örneğin, 100, 500, 1000, 5000) ile çalıştırmak ve sonsal özetlerinin (ortalamalar, güven aralıkları) kararlı olup olmadığını kontrol etmektir. Düşük boyutlu izleme problemleri (2-4 boyut) için yüzlerce ila binlerce N genellikle yeterlidir; daha yüksek boyutlar için gereksinim hızla artar ve yapıdan yararlanan yöntemler (Rao-Blackwellleştirme, akış tabanlı öneriler) gereklidir.
Bir parçacık filtresi model parametrelerini durumlar kadar tahmin edebilir mi?
Statik parametreler zamanla değişmez, bu nedenle ortak durum-parametre uzayında naif parçacık filtrelemesi çöker çünkü parametre parçacıkları asla hareket etmez. Pratik çözümler şunları içerir: parametreleri yapay olarak titretme (çekirdek düzeltme / Liu-West filtresi), parametreler için bir MCMC şeması içinde parçacık filtresini bir olasılık tahmincisi olarak kullanan parçacık Markov zinciri Monte Carlo (PMCMC) ve sıralı Monte Carlo kare (SMC2). Andrieu, Doucet ve Holenstein (2010, Journal of the Royal Statistical Society B) tarafından tanıtılan PMCMC, en prensipli ve yaygın kullanılan yaklaşımdır.
Kaynaklar
- 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., Godsill, S. J., & Andrieu, C. (2000). On sequential Monte Carlo sampling methods for Bayesian filtering. Statistics and Computing, 10(3), 197–208. DOI: 10.1023/A:1008935410038 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer-Verlag. ISBN: 978-0-387-95146-1
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Particle Filter (Sequential Monte Carlo). ScholarGate. https://scholargate.app/tr/bayesian/particle-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır