粒子滤波算法

1、前言

粒子滤波器是一新类型的非线性滤波器，已成为一个解决非线性滤波问题的重要工具，因为它能应用于很多领域，如信号处理、雷达和声音媒体的目标跟踪、计算机视觉、神经计算。

令$X_n$表示所有的目标状态序列 { x i } i = 1 n {\lbrace x_i\rbrace} _{i=1}^n {xi​}i=1n​；
$Y_n$表示所有观测序列 { y i } i = 1 n {\lbrace y_i\rbrace} _{i=1}^n {yi​}i=1n​；
给定观测序列$Y_n$的条件下，所有状态$X_n$的联合后验分布为$p(X_n|Y_n)$；
由于$X_n$表示的状态序列对观测者都是隐藏的，获得直接从后验分布$p(X_n|Y_n)$中随机取样通常是不可行的。因此从另外一个分布中取样，这一分布称为工具分布，用$q(X_n|Y_n)$来表示。为了使重要分布能够有效代替后验分布，$q(X_n|Y_n)$必须有一个足够广的支集，以完全包括$p(X_n|Y_n)$的支集。

2、 Monte Carlo积分

所谓重要性抽样方法，即从重要性分布$q(X_n|Y_n)$中随机抽取N个统计独立且同分布的样本构成一个集合。令n时刻随机取出的样本集记为$X_n^{(i)},i=1,2,...,N$,从零时刻开始直到n时刻，一步一步的，在状态空间中，根据重要性分布$q(X_n|Y_n)$,N个样本追踪自己的“轨迹”。它们的轨迹记为$X_n^{(i)}$,其中,i=1,2,…,N，称为粒子，因此面名为粒子滤波器。

定义重要性函数：
$$r(X_n|Y_n)=\frac{p(X_n|Y_n)}{q(X_n|Y_n)}\text{\hspace{1em}(式1)}$$
利用贝叶斯估计量的定义：
$$\overline{h}=E_p[h(X_n)]=\int h(X_n)p(X_n|Y_n)d{x}_n$$
改写其定义，可以改写贝叶斯估计量的公式：
$$\overline{h}=E_p[h(X_n)]=\int h(X_n)\frac{p(X_n|Y_n)}{q(X_n|Y_n)}q(X_n|Y_n)d{x}_n=\int h(X_n)r(X_n|Y_n)q(X_n|Y_n)d{x}_n\text{\hspace{1em}(式2)}$$
其中$h(X_n)$作为任意函数，为了使它和粒子滤波的术语保持一致性。
在式2的贝叶斯计量上运用重要性取样方法，得到相应的Monte Carlo估计量：
$${\hat{h}}_n(N)\approx \frac{1}{N}\sum _{i=1}^N{\tilde{w}}_n^{(i)}h(X_n^{(i)}\text{\hspace{1em}(式3)}$$
其中
$$w_n^{(i)}=\frac{{\tilde{w}}_n^{(i)}}{{\sum }_{j=1}^N{\tilde{w}}_n^{(j)}}，i=1,2,...,N\text{\hspace{1em}(式4)}$$
对有限数量的粒子，N个，估计量${\hat{h}}_n(N)$是有偏的，但是，在渐进的意义，满足下述关系：
$$\underset{N\to \infty }{\lim }\hat{h}(N)\to \overline{h}\text{\hspace{1em}(式5)}$$

取样的第二阶段背后的基本原理:
重采样的第二阶段取出的样本${\tilde{x}}_n^{(i)}$，它的标准化重要性权值$w_n^{(i)}$很大，很有可能从联合后验分布$p(X_n|Y_n)$；比起标准化重要性权值小的样本，应该以更大的概率选择这样的样本。
实现SIR的方式，每一次循环中进行以下操作：
（1）、采样。随机地从重要性分布$q(X|Y)$中抽取一个N个样品 { X ( i ) } \lbrace X ^{(i)}\rbrace {X(i)}_{i=1} ^N的iid集合。
（2）、加权。利用式4，计算相关的标准化权值 { w ( i ) } i = 1 N \lbrace w^{(i)}\rbrace _{i=1} ^N {w(i)}i=1N​的集合。
（3）、重采样。
（i）给定中间样本$X^{(1)},X^{(2)},..,X^{(N)}$，条件独立地抽取含L个离散随机变量 { I 1 , I 2 , . . . , I N } \lbrace I^{1},I^{2},...,I^{N} \rbrace {I1,I2,...,IN}的集合，从集合 { 1 , 2 , . . N } \lbrace1,2,..N \rbrace {1,2,..N}中依概率$(w^1,w^2,..,w^N)$取值，如以下例子所示：
$$P(I^{(1)}=j)=w^{(j)},j=1,2,...,N$$
对$I^{(2)},..,I^{(L)}$等，典型地，有$L\le N$。
（i）设${\tilde{X}}^{(i)}=X^{(I_j)}$,其中$i=1,2,...,L$。
集合 { I ( 1 ) , I ( 2 ) , . . , I ( L ) } \lbrace I^{(1)}, I^{(2)},.., I^{(L)}\rbrace {I(1),I(2),..,I(L)}被认为是多项式实验过程，因此，根据SIR方法被描述为一种多项式类型。

3、顺序重要性采样

$$p(X_n|Y_n）=\int \frac{1}{Z_n}p(x_n|x_{n-1}l(y_n|x_n)p(X_{n-1}|Y_{n-1})d{x}_{n-1}$$
$$=\int \frac{1}{Z_n}p(x_n|x_{n-1}l(y_n|x_n)\frac{p(X_{n-1}|Y_{n-1})}{q(X_n|Y_n)}q(X_n|Y_n)d_{n-1}$$

4、权值退化问题

5、采样重要性重采样粒子滤波器

记法

粒子用$i=1,2,3...N$来表示，其中N表示粒子总数。

初始化

给定状态分布 $p(x)$和初始值$x_0$,随机取消
$x_0^{(i)}-p(x_0)$
其中记号$x-p$是x是分布p的一个观察值，设置初始权值
$w_0^{(i)}=\frac{1}{N}$
其中$i=1,2,3...N$

循环

每个时间步骤$n=1,2,3...$,按照下标$i=1,2,3...N$，做如下操作：
（1）重要性分布定义为
$q(x_n|x_{n-1}^{(i)},y_n=p(x_n|x_{n-1}^{(i)}$
其中假设已知先验分布$p(x_n|x_{n-1}^{(i)}$,取样
$x_n^i-p(x_n|x_{n-1}^i)$
（2）计算重要性权值
$${\hat{w}}_n^{(i)}=l(y_n|x_{n-1}^{(i)})$$
其中也假设似然函数$l(y_n|x_{n-1}^{(i)})$已知，因此计算标准权值
$$w_n^{(i)}=\frac{{\hat{w}}_n^{(i)}}{{\sum }_{j=1}^N{\hat{w}}_n^{(i)}}$$
（3）重采样，一个含N个离散随机变量的集合{$I^{(1)},I^{(2),...,I^{(N)}}$},在相关集合{$1,2,3,..N$}中依照以下概率取值：
$P(I^{(s)}=i)=w_n^{(i)}$
因此集合
${\hat{x}}_n^{(i)}=x_n^{(i)}$
并且
$w_n^{(i)}=\frac{1}{N}$
（4）继续计算直到滤波完成。

6、重要性分布的最佳选择

7、计算机仿真

基于Python实现粒子滤波