粒子滤波是一种非线性滤波方法，通过随机样本近似概率密度来估计状态。算法包括SIS（重要性采样）和重采样步骤，其中重要性函数的选择对算法性能至关重要。粒子滤波克服了高斯假设限制，适用于目标跟踪等任务。
粒子滤波：
是指通过寻找一组在状态空间中传播的随机样本对概率密度进行近似，以样本均值代替积分运算，从而获得状态最小方差估计的过程，这些样本即称为" 粒子 "。
用数学语言描述就是：
对于平稳的随即过程，假定 k-1 时刻系统的后验概率密度为依据一定原则选取 n 个随机样本点，k 时刻获得测量信息后，经过状态和时间更新过程， n 个粒子的后验概率密度可以近似为
。 随着粒子数目的增加，粒子的概率密度函数逐渐逼近状态的概率密度函数，粒子滤波估计即达到了最优贝叶斯估计的效果。粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件。并在一定程度上解决了粒子数样本匮乏问题。
SIS算法：
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
