Bayesian methods
粒子滤波器（序贯蒙特卡洛）
粒子滤波器，由 Gordon、Salmond 和 Smith 于 1993 年提出，是一种序贯蒙特卡洛算法，用于近似非线性非高斯状态空间模型的贝叶斯滤波分布。它不追踪单一的最佳估计值，而是维护一组 N 个带权重的随机样本——粒子——这些粒子共同代表了在每个时间点，随着新观测值的到来，隐藏状态的完整后验分布。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
来源
- 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
如何引用本页
ScholarGate. (2026, June 3). Particle Filter (Sequential Monte Carlo). ScholarGate. https://scholargate.app/zh/bayesian/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.
- Bayesian Regression贝叶斯↔ compare
- 卡尔曼滤波器贝叶斯↔ compare
- 马尔可夫链蒙特卡洛 (MCMC)贝叶斯↔ compare
- 状态空间模型（卡尔曼滤波器）计量经济学↔ compare
被引用于
带测量误差的近似贝叶斯计算缺失数据下的近似贝叶斯计算动态贝叶斯分层模型动态贝叶斯推断动态贝叶斯网络动态 Metropolis-Hastings 算法动态蒙特卡洛模拟动态粒子滤波器动态序贯蒙特卡洛法动态变分推断集合卡尔曼滤波器分层卡尔曼滤波器分层粒子滤波器卡尔曼滤波器带测量误差的卡尔曼滤波器多层蒙特卡洛模拟带缺失数据的粒子滤波器稳健近似贝叶斯计算鲁棒卡尔曼滤波器 (Robust Kalman Filter)稳健粒子滤波器鲁棒序贯蒙特卡洛顺序蒙特卡洛带测量误差的序贯蒙特卡洛缺失数据的序贯蒙特卡洛方法同步定位与建图空间卡尔曼滤波器时间序列近似贝叶斯计算时间序列贝叶斯推断时间序列卡尔曼滤波时间序列 MCMC时间序列粒子滤波器时间序列序列蒙特卡洛方法