Bayesian methodsBayesian / computational

Monte Carlo Tuần tự

Monte Carlo Tuần tự (SMC) là một họ thuật toán dựa trên mô phỏng, xấp xỉ các phân phối xác suất biến đổi bằng cách lan truyền và gán trọng số lại cho một đám mây các mẫu ngẫu nhiên có trọng số gọi là hạt. Nó xử lý các mô hình phi tuyến, phi Gaussian và luồng dữ liệu một cách tự nhiên, làm cho nó trở thành phương pháp được lựa chọn để ước lượng trạng thái thời gian thực và xấp xỉ hậu nghiệm trên các phân phối phức tạp.

Mở trong MethodMindSắp ra mắtVideoSắp ra mắtDownload slides

Đọc toàn bộ phương pháp

Chỉ dành cho thành viên

Đăng nhập bằng tài khoản miễn phí để đọc phần này.

Đăng nhập

Method map

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

Monte Carlo Tuần tự

Tính toán Bayes xấp xỉ Lấy mẫu Gibbs Hamiltonian Monte Carlo Bộ lọc Kalman Chuỗi Markov Monte Carlo…Bộ lọc hạt (Monte Carlo…Tính toán Bayes xấp xỉ v…Tính toán Bayes xấp xỉ v…Mô hình Phân cấp Bayes Đ…Suy luận Bayes động

+41 more

Nguồn tài liệu

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 ↗

Cách trích dẫn trang này

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

Tính toán Bayes xấp xỉMô phỏng↔ compare
Lấy mẫu GibbsBayes↔ compare
Hamiltonian Monte CarloBayes↔ compare
Bộ lọc KalmanBayes↔ compare
Chuỗi Markov Monte Carlo (MCMC)Bayes↔ compare
Bộ lọc hạt (Monte Carlo tuần tự)Bayes↔ compare

Compare side by side →

Được tham chiếu bởi

Tính toán Bayes xấp xỉ Tính toán Bayes xấp xỉ với sai số đo lường Tính toán Bayes xấp xỉ với dữ liệu thiếu Mô hình Phân cấp Bayes Động Suy luận Bayes động Trung bình mô hình Bayes động Mạng Bayes Động Hamiltonian Monte Carlo Động (Dynamic Hamiltonian Monte Carlo)Mô phỏng Monte Carlo Động Bộ lọc hạt động Dynamic Sequential Monte Carlo Suy luận biến phân động (Dynamic Variational Inference)Hierarchical Approximate Bayesian Computation Mô phỏng Bootstrap Phân cấp Bộ lọc Kalman Phân cấp Bộ lọc hạt phân cấp Bộ lọc Kalman Bộ lọc Kalman với sai số đo lường Bộ lọc Kalman với Dữ liệu Khuyết Thuật toán Metropolis-Hastings So sánh mô hình bằng Metropolis-Hastings Mô phỏng Monte Carlo với dữ liệu thiếu Tính toán Bayes xấp xỉ đa cấp Mô phỏng Bootstrap Đa cấp Mô phỏng Monte Carlo Đa cấp Bộ lọc hạt có sai số đo lường Bộ lọc hạt với dữ liệu thiếu Tính toán Bayes Xấp xỉ Mạnh mẽ Bộ lọc Kalman Mạnh mẽ Chuỗi Markov Monte Carlo Mạnh mẽ Mô phỏng Monte Carlo Mạnh mẽ Bộ lọc hạt mạnh mẽ Monte Carlo Tuần tự Mạnh mẽ Monte Carlo tuần tự với sai số đo lường Monte Carlo tuần tự với dữ liệu thiếu Phân tích Bayes xấp xỉ không gian Mô phỏng Bootstrap Không gian Bộ lọc Kalman không gian Mô phỏng Monte Carlo Không gian Tính toán Bayes xấp xỉ chuỗi thời gian Suy luận Bayes cho chuỗi thời gian Trung bình Mô hình Bayes Chuỗi Thời gian Bộ lọc Kalman cho chuỗi thời gian MCMC Chuỗi Thời gian Bộ lọc hạt chuỗi thời gian Sequential Monte Carlo cho chuỗi thời gian Suy luận biến phân chuỗi thời gian

Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →