粒子滤波.pptVIP

粒子滤波（PF） 粒了滤波是指:通过寻找一组在状态空间中传 播的随机样本对概率密度函数 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”。采用数学语言 描述如下:对于平稳的随机过程，假定k一1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个粒了的后验概率密度可 近似为 。随着粒了数日的增加，粒了的概率 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。 二、粒子滤波算法 粒子滤波本质就是将积分运算变为有限样本点的求和运算, 即状态概率密度分布可用如下经验概率分布来近似表述 （5） 粒子滤波 粒子滤波（PF） 粒子滤波是从上世纪90年代中后期发展起来的一种新的滤波算法，其基本思想是用随机样本来描述概率分布，然后在测量的基础上，通过调节各粒子权值的大小和样本的位置，来近似实际概率分布，并以样本的均值作为系统的估计值，有效克服了推广卡尔曼滤波的缺点。但自身也有一些弱点，粒子滤波的计算量较大;然而，随着计算机处理能力的不断增强，早期限制粒子滤波应用的硬件运算能力等障碍正逐渐消失。日前，粒子滤波算法已被广泛用于日标跟踪、导航与制导、故障诊断、参数估计与系统辨识等领域。 一、贝叶斯估计 贝叶斯估计是粒子滤波方法的理论基础,是一种利用客观信息和主观信息相结合的估计方法,它不仅考虑了样本的客观信息,还考虑了人为的主观因素,能够很好地处理观测样本出现异常时的情况。对于待估计的参数,贝叶斯估计在抽取样本前先给出该参数的先验分布,并结合样本信息可以得到参数的后验分布信息。 假定动态时变系统描述如下: 一、贝叶斯估计 式中， 为系统状态， 为n维向量函数， 为m维向量函数， 为n维随机过程噪声， 为m维随机测量噪声。 若已知状态的初始概率密度函数为 则状态预测方程为: （2） 状态更新方程为: （3） 一、贝叶斯估计 式中归一化常量 （4） 它取决与似然函数 及测量噪声的统计特性。 二、粒子滤波算法 式 中 ，是到时刻k的测量集合， 是时刻k得到的测量值 ， 是表示时刻k从概率密度函数中得到的第i个粒子，N是粒子的总量， 是狄拉克函数。 表示z 观测序列下x 的概率密度。通常 情况下难以直接从 抽样得到样本。一种有效的解决方法就是引入一个容易抽样的已知概率密度分布函数 其选择是一个非常关键的问题,选取原则之一就是使得重要性权重的方差最小。从 中抽取N个带权值的粒子，当 二、粒子滤波算法 接受到新的观测数据时,实时更新每个粒子的权值。随着时间的增加, 重要性权值的分布变得越来越倾斜,有可能出现粒子匮乏现象。为了避免粒子匮乏, Gordon 等提出了重采样方法, 其主要思想是去除那些权值小的粒子,复制权值大的粒子。最后,更新概率密度函数可以表示为 （6） PF 的具体实现步骤如下: 二、粒子滤波算法 步骤1 初始化 采样 即根据 分布采样得到 步骤2 重要性权值计算 采样 计算重要性权值如下 归一化重要性权值 二、粒子