目录
1.粒子滤波算法
1.1 粒子滤波算法简单介绍
粒子滤波算法(Particle Filter, PF)算法是一种基于贝叶斯递归估计的序贯蒙特卡洛模拟方法,其核心思想是利用一些随机样本,即“粒子”来表示系统随机变量的后验概率密度,以得到基于物理模型的近似最优数值解,而不是对近似模型进行最优滤波,因而适用于强非线性非高斯噪声系统模型的滤波。
1.2 粒子滤波算法流程
1.3 粒子滤波算法仿真分析
仿真条件:
假设一目标在二维平面内做匀速直线运动,观测站处于原点且保持静止,无站址误差。观测站可以实时测量到目标与观测站之间的距离以及方位角(北偏东)。蒙特卡洛仿真10次,并将RMSE与CRLB进行对比。PF选取5000个粒子。重采样方法选用系统重采样方法。
目标初始状态 | 量测误差 | 过程噪声 | |
二维 | (-1000m,1000m,20m/s,-8m/s) | 100m,1° | 1e-4m/s2 |
2.参考文献
王可东. Kalman滤波基础及Matlab仿真 [M]. 北京航空航天大学出版社, 2019.
张程振, 丁元明, 杨阳. 水下目标跟踪粒子滤波算法性能分析 [J]. 火力与指挥控制, 2022, 47(02): 18-24.