粒子滤波算法简介与matlab程序.pdfVIP

粒子滤波 作者-niewei120——nuaa Bayes 法则： 贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1763 ) 发展，用来描述两个条件 概率之间的关系，比如 P(A |B) 和 P(B|A)。按照乘法法则：P(A ∩B)=P(A)*P(B|A)=P(B)*P(A |B)， 可以立刻导出贝叶斯定理公式：P(A |B)=P(B|A)*P(A)/P(B)。 通常，事件A 在事件B(发生)的条件下的概率，与事件B 在事件A 的条件下的概率是不 一样的；然而，这两者是有确定的关系,贝叶斯法则就是这种关系的陈述。 Pr(A)是A 的先验概率或边缘概率。之所以称为先验是因为它不考虑任何B方面的因素。 Pr(A |B)是已知B 发生后A 的条件概率，也由于得自B 的取值而被称作A 的后验概率。Pr(B|A) 是已知A 发生后B 的条件概率，也由于得自A 的取值而被称作B 的后验概率。Pr(B)是B 的 先验概率或边缘概率，也作标准化常量 （normalized constant）。先验概率的计算比较简单， 没有使用贝叶斯公式；而后验概率的计算，要使用贝叶斯公式。 若用Pr(B|A)/Pr(B)表示标准似然度，则后验概率 = 标准似然度 * 先验概率。 例子： 一座别墅在过去的 20 年里一共发生过 2 次被盗，别墅的主人有一条狗，狗平均每周 晚上叫 3 次，在盗贼入侵时狗叫的概率被估计为 0.9，问题是：在狗叫的时候发生入侵的 概率是多少？ 我们假设 A 事件为狗在晚上叫，B 为盗贼入侵，则 P(A) = 3 / 7，P(B)=2/(20 ·365)=2/7300， P(A |B) = 0.9，按照公式很容易得出结果：P(B|A)=0.9*(2/7300)/(3/7)=0.00058 贝叶斯决策理论方法 基本思想是： 、已知类条件概率密度参数表达式和先验概率。 、利用贝叶斯公式转换成 1 2 后验概率。 、根据后验概率大小进行决策分类。 3 贝叶斯滤波的核心思想就是利用已知的信息来判断状态变量的后验概率，在目标跟踪中也就 是对所有观测值 ： … 已知的情况下，计算出后验概率 ，其计算的 Z1 Zk={Z1,Z2 Zk} P(Xk|Z1:k) 方法具体分为预测和更新。 预测：在系统还没有获得 时刻观测值 情况下，利用 时刻的先验概率 k Zk k-1 P(Xk-1|Z1:k-1) 及 时刻的先验概率 得到预测值。 k P(Xk|Z1:k-1) 更新：更新实际上是对预测的一个修正过程，利用最新的观测值 和前面求得到 Zk P(Xk|Z1:k-1) 得到 时刻的后验概率 。 k P(Xk|Z1:k) 蒙特卡洛方法 蒙特卡洛(Monte Carlo)方法或者称为随机采样方法，由于现实中的很多问题无法直接分 析求解，所以在统计上就引入了随机模拟方法，利用随机过程来做统计检验的算法。其基本 思想为： 当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值，或者是某个 随机变量的函数的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随 机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。 有一个例子可以使你比较直观地了解蒙特卡洛方法：假设我们要计算一个不规则图形的 面积，那么图形的不规则程度和分析性计算 （比如，积分）的复杂程度是成正比的。蒙特卡 洛方法是怎么计算的呢？假想你有一袋豆子，把豆子均匀地朝这个图形上撒，然后数这个图 形之中有多少颗豆子，这个豆子的数目就是图形的面积。当你的豆子越小，撒的越多的时候， 结果就越精确。在这里我们要假定