粒子滤波是一种基于贝叶斯概率和随机采样的估计算法，适用于非线性和非高斯噪声环境。它包括初始化、采样、预测、加权和重采样等步骤，有效避免了卡尔曼滤波的计算复杂性。然而，粒子滤波存在依赖初始状态、粒子退化等问题，常见的方法有SIR、RPF、APF、GPF和MPF等。马尔科夫模型是其理论基础，理解转移概率和状态空间对于应用至关重要。
粒子滤波基础认识
粒子滤波粒子核心思想：
-基于贝叶斯概率，随机采样+重要采样进行估算。
关键：重要性密度函数的选择。
粒子滤波步骤：
根据初始化状态变量 —>生成采样数据（按照一定的生成规则，如随机规则，均匀分布规则）—> 计算预测数据点（根据采样数据，及状态方程计算）—> 计算加权系数（根据实际观测值与根据每个预测点数据估算的输出值进行对比，计算加权系数，加权系数规则根据需求自定义）—>重新采样数据点（根据权重，重对前面采集的数据进行过滤，重新采样，权重小的少取，权重大的多取）—>估算真实数据（对重新采样的数据取均值，或用其他规则来定义估算；重新采样的数据作为下一个时刻的采样数据）
粒子滤波的优缺点
优点：计算量相对于卡尔曼计算小，不能计算协方差。
缺点：严重依赖于对初始状态的估计，可能很快收敛，也可能很快发散；有粒子退化问题，由于根据权重采样，又有粒子匮乏，丢失部分数据等问题。
粒子滤波常用方法
以下具体滤波方法还只作了基础了解，需要进一步理解应用。
1、经典粒子滤波（Sampling Importance Resampling，SIR）
补充：序贯重要性采样（sequential importance sampling
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
