| dbpedia-owl:abstract
|
- Sequenzielle Monte-Carlo-Methoden (SMC-Methoden) gehören zur Klasse der stochastischen Verfahren zur Zustandsschätzung in einem dynamischen Prozess (z. B. in der mobilen Robotik), dessen Dynamik nur im statistischen Mittel bekannt ist (wesentliche Störgrößen) und der nur unvollständig beobachtet werden kann (Unterteilung in innere, verborgene und äußere, sichtbare Variable). Ein Anwendungsbeispiel ist die genaue und kontinuierlich aktualisierte Bestimmung des Ortes und der Geschwindigkeit eines Objektes aufgrund einer ungenauen und fehlerhaften Messung des Ortes. SMC-Filter sind auch bekannt als Partikel-Filter, sampling importance resampling (SIR), sequential importance sampling (SIS), bootstrap filters, condensation trackers, interacting particle approximations oder survival of the fittest.
- In statistics, particle filters, also known as Sequential Monte Carlo methods (SMC), are sophisticated model estimation techniques based on simulation. Particle filters have important applications in econometrics, and in other fields. Particle filters are usually used to estimate Bayesian models in which the latent variables are connected in a Markov chain — similar to a hidden Markov model (HMM), but typically where the state space of the latent variables is continuous rather than discrete, and not sufficiently restricted to make exact inference tractable (as, for example, in a linear dynamical system, where the state space of the latent variables is restricted to Gaussian distributions and hence exact inference can be done efficiently using a Kalman filter). In the context of HMMs and related models, "filtering" refers to determining the distribution of a latent variable at a specific time, given all observations up to that time; particle filters are so named because they allow for approximate "filtering" (in the sense just given) using a set of "particles" (differently-weighted samples of the distribution). Particle filters are the sequential ("on-line") analogue of Markov chain Monte Carlo (MCMC) batch methods and are often similar to importance sampling methods. Well-designed particle filters can often be much faster than MCMC. They are often an alternative to the Extended Kalman filter (EKF) or Unscented Kalman filter (UKF) with the advantage that, with sufficient samples, they approach the Bayesian optimal estimate, so they can be made more accurate than either the EKF or UKF. However, when the simulated sample is not sufficiently large, they might suffer from sample impoverishment. The approaches can also be combined by using a version of the Kalman filter as a proposal distribution for the particle filter.
- El filtro de partículas es un método empleado para estimar el estado de un sistema que cambia a lo largo del tiempo. Más concretamente, es un método de Montecarlo(secuencial) usado comúnmente en visión artificial para el seguimiento de objetos en secuencias de imágenes. Fue propuesto en 1993 por N. Gordon, D. Salmond y A. Smith como filtro bootstrap para implementar filtros bayesianos recursivos. Básicamente, el filtro de partículas se compone de un conjunto de muestras (las partículas) y unos valores, o pesos, asociados a cada una de esas muestras. Las partículas son estados posibles del proceso, que se pueden representar como puntos en el espacio de estados de dicho proceso. Posee cuatro etapas principales: Inicialización. Actualización. Estimación. Predicción. Para realizar el seguimiento de un objeto sobre una secuencia de imágenes, el filtro de partículas "lanza" al azar un conjunto de puntos sobre la imagen (etapa de inicialización, se crea un conjunto de partículas con un estado aleatorio), realizando cálculos se le asignará un valor, o valores, a cada uno de esos puntos (etapa de actualización). A partir de estos valores, se creará un nuevo conjunto de puntos que reemplazará al anterior. Esta elección también será al azar, pero los valores que se han adjudicado a cada uno de los puntos provocarán que sea más probable de elegir aquellos puntos que hayan capturado al objeto sobre el que quiere realizar el seguimiento (etapa de estimación). Una vez que se crea el nuevo conjunto de puntos, se realiza una leve modificación al estado (posición) de cada uno de ellos, con el fin de estimar el estado del objeto en el instante siguiente (etapa de predicción). Al terminar la etapa de predicción, se obtiene un nuevo conjunto de puntos al que se le vuelve a aplicar la etapa de actualización, repitiéndose este bucle hasta que termine la secuencia o desaparezca el objeto, caso en el cual se volvería a la etapa de inicialización.
- 粒子フィルタ、または逐次モンテカルロ法 とは、シミュレーションに基づく複雑なモデルの推定法である。 この手法はふつうベイズモデルを推定するのに用いられ、バッチ処理であるマルコフ連鎖モンテカルロ法 (MCMC) の逐次 (オンライン) 版である。またこの手法は重点サンプリング法にも似たところがある。 うまく設計すると、粒子フィルタはMCMCよりも高速である。拡張カルマンフィルタや無香カルマンフィルタ (Unscented カルマンフィルタ) に対して、十分なサンプル点があればベイズ最適推定に近付くためにより精度が高くなることから、これらの代わりに用いられることがある。手法を組み合わせ、カルマンフィルタを粒子フィルタの提案分布として使うこともできる。
- Filtr cząsteczkowy znany również jako sekwencyjna metoda Monte Carlo (SMC), jest są zaawansowaną techniką szacowania modelu za pomocą symulacji. Filtry mają istotne zastosowanie w ekonometrii i robotyce.
- Fichier:Particle filter example small. png Résultat d'un filtrage particulaire (courbe rouge) basé sur les données observées générées depuis la courbe bleue. Les filtres particulaires, aussi connus comme Méthodes de Monte-Carlo séquentielles, sont des techniques sophistiquées d'estimation de modèles basées sur la simulation. Les filtres particulaires sont généralement utilisés pour estimer des modèles Bayésiens et constituent les méthodes 'en-ligne' analogues aux Méthodes de Monte-Carlo par Chaînes de Markov qui elles sont des méthodes 'hors-ligne' (donc a posteriori) et souvent similaires aux méthodes d'échantillonnage d'importance. S'ils sont conçus correctement, les filtres particulaires peuvent être plus rapides que les Méthodes de Monte-Carlo par Chaînes de Markov. Ils constituent souvent une alternative aux filtres de Kalman étendus avec l'avantage qu'avec suffisamment d'échantillons, ils approchent l'estimé Bayésien optimal. Ils peuvent donc être rendus plus précis que les filtres de Kalman. Les approches peuvent aussi être combinées en utilisant un filtre de Kalman comme une proposition de distribution pour le filtre particulaire.
|
| rdfs:comment
|
- 粒子フィルタ、または逐次モンテカルロ法 とは、シミュレーションに基づく複雑なモデルの推定法である。 この手法はふつうベイズモデルを推定するのに用いられ、バッチ処理であるマルコフ連鎖モンテカルロ法 (MCMC) の逐次 (オンライン) 版である。またこの手法は重点サンプリング法にも似たところがある。 うまく設計すると、粒子フィルタはMCMCよりも高速である。拡張カルマンフィルタや無香カルマンフィルタ (Unscented カルマンフィルタ) に対して、十分なサンプル点があればベイズ最適推定に近付くためにより精度が高くなることから、これらの代わりに用いられることがある。手法を組み合わせ、カルマンフィルタを粒子フィルタの提案分布として使うこともできる。
- Filtr cząsteczkowy znany również jako sekwencyjna metoda Monte Carlo (SMC), jest są zaawansowaną techniką szacowania modelu za pomocą symulacji. Filtry mają istotne zastosowanie w ekonometrii i robotyce.
- Sequenzielle Monte-Carlo-Methoden (SMC-Methoden) gehören zur Klasse der stochastischen Verfahren zur Zustandsschätzung in einem dynamischen Prozess (z. B. in der mobilen Robotik), dessen Dynamik nur im statistischen Mittel bekannt ist (wesentliche Störgrößen) und der nur unvollständig beobachtet werden kann (Unterteilung in innere, verborgene und äußere, sichtbare Variable).
- El filtro de partículas es un método empleado para estimar el estado de un sistema que cambia a lo largo del tiempo. Más concretamente, es un método de Montecarlo(secuencial) usado comúnmente en visión artificial para el seguimiento de objetos en secuencias de imágenes. Fue propuesto en 1993 por N. Gordon, D. Salmond y A. Smith como filtro bootstrap para implementar filtros bayesianos recursivos.
- In statistics, particle filters, also known as Sequential Monte Carlo methods (SMC), are sophisticated model estimation techniques based on simulation. Particle filters have important applications in econometrics, and in other fields.
- Fichier:Particle filter example small. png Résultat d'un filtrage particulaire (courbe rouge) basé sur les données observées générées depuis la courbe bleue. Les filtres particulaires, aussi connus comme Méthodes de Monte-Carlo séquentielles, sont des techniques sophistiquées d'estimation de modèles basées sur la simulation.
|
