Послідовний метод Монте-Карло для часових рядів
Послідовний метод Монте-Карло (SMC) для часових рядів, який зазвичай називають частинковим фільтром, є баєсівським методом симуляції, що відстежує прихований стан динамічної системи в міру надходження спостережень по одному. Хмара зважених випадкових вибірок — частинок — поширюється вперед через динаміку системи, перезважується залежно від того, наскільки добре кожна частинка пояснює нове спостереження, і періодично перевибірається, щоб зберегти представлення зосередженим на правдоподібних станах.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/uk/bayesian/time-series-sequential-monte-carlo
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Динамічна байєсівська мережаБаєсові методи↔ порівняти
- Гіббсівський відбір (Gibbs Sampling)Баєсові методи↔ порівняти
- Фільтр КалманаБаєсові методи↔ порівняти
- Фільтр частинок (послідовний Монте-Карло)Баєсові методи↔ порівняти
- Послідовний Монте-КарлоБаєсові методи↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →