粒子滤波 particle filter tutorial：从推导到应用文章学习笔记

来源：

因为工作中从事机器人导航相关工作，需要了解粒子滤波相关知识，现在从csdn博主（白巧克力亦唯心）的几篇博文研究一番，写一写自己的学习笔记与思路，所有思路从该博主来，贴出该博主的网址http://blog.csdn.net/heyijia0327/article/details/40899819

前言：

意思是将结合实际例程给出粒子滤波的详细推导，解释一些别人博客并不注意的关键地点。

文章框架： 从 贝叶斯估计---蒙特卡洛采样----重要性采样---SIS粒子滤波---重采样---基本粒子滤波Generic Partical Filter---SIR粒子滤波

...........................（从这个顺序介绍似乎更清楚？先看看）

一、贝叶斯滤波

假设了一个系统，知道状态方程

  如： (1)

  如：                                                                                     (2)

.................................//排版不好意思，公式乱乱的

意义介绍：其中x为系统状态，y为测量到的数据，f,h是状态转移函数和测量函数，v,n为过程噪声和测量噪声，噪声都是独立同分布的。

贝叶斯理论：状态估计问题 就是根据之前的一系列已经有的数据（后验知识，搜索哲学概念：先验知识与后验知识）递推计算当前状态的可信度，可信度计算概率公式：，这通过预测与更新递推计算。

预测过程：利用状态方程1预测状态的先验概率密度，即通过已有的先验知识进行猜测，获得p( x(k)|x(k-1) )

 更新过程：利用最新的测量值对先验概率密度进行修正，得到后验概率密度，也就是对猜测进行修正。

处理问题时使用的假设：1.当前时刻状态x(k)时刻只与上一个时刻的状态x(k-1)有关（服从一阶马尔科夫模型。。。）

     2.假设K时刻测量到的数据y(k)只与当前状态x(k)有关。

（思考：根据观察到的k时刻之前一系列数据给出一个k时刻预测值，然后观测一下k时刻的值，预测值和观测值根据可靠性进行修正，这怎么跟卡尔曼滤波很类似啊？？？？？？？？？）

开始递推：已知条件，k-1时刻的概率密度函数

预测：由上一时刻的概率密度得到，即由k-1时刻的测量数据，预测下一状态x(k)出现的概率。