第五章非线性滤波.pptVIP

（六）粒子滤波器第29页，共57页，星期日，2025年，2月5日采样-重要性重采样粒子滤波器

GeneralSampling-ImportanceResamplingParticleFilter(SIRPF)第30页，共57页，星期日，2025年，2月5日一个简单的重要性重采样方法第31页，共57页，星期日，2025年，2月5日一个简单的重要性重采样方法第32页，共57页，星期日，2025年，2月5日重要性采样概率的自助近似

BootstrapApproximation

重要性采样概率采用状态转换模型来近似。权重：第33页，共57页，星期日，2025年，2月5日BootstrapParticleFilter简单，仅需要确定两个概率（先验概率和状态转移概率）计算负担决定于粒子数目，可能做到比GHKF,UKF更少的粒子数目。高斯和非高斯噪声严重依赖于对初始状态的估计。可能很快收敛或者很快发散（由于仅在似然方程中用到了观测值）第34页，共57页，星期日，2025年，2月5日粒子权重退化问题退化现象：使用前面简化的重要性采样函数，经过若干次迭代以后，除了一个粒子以外，其它粒子的权重已经微小到可以忽略的地步。已有证明，随着时间的推进，粒子权重的方差只会增加，因而避免退化现象是一个很重要的问题。因为出现退化现象后，大量用来更新粒子信息的计算其实是浪费了，由于那些粒子的权重太小，其信息对后验概率的影响已经微不足道。以有效粒子数来描述粒子集的退化程度，其定义为：需要注意，有效粒子数小于等于实际粒子数目，其值远小表明严重退化。显然，解决退化问题的简单方法就是使用很大的粒子数量。但是这样的方法，在很多场合下是不现实的。所以通常我们使用其他两种方法来解决或者说缓解退化问题：1）选择好的加权密度；2）使用重采样。第35页，共57页，星期日，2025年，2月5日粒子退化现象示例SIS(SequentialImportantSampling)ParticleFilterwillnotworkwellbecauseofdegeneracy第36页，共57页，星期日，2025年，2月5日SIR的另一个问题由于使用先验进行采样（后验是先验与似然的乘积），似然很尖锐或者位于先验的某个尾部时，将很难有足够的粒子产生于两者的重叠区域，这些粒子对后验分布的表达误差将因此增大。改进方法，是使采样分布包含当前的观测值：例如，假设采样分布为高斯，利用卡尔曼滤波器估计采样分布。第37页，共57页，星期日，2025年，2月5日不需要重采样的粒子滤波器不需要重采样的粒子滤波器主要基于上式计算权重。第38页，共57页，星期日，2025年，2月5日高斯粒子滤波器通用框架（非线性关系的线性近似）第39页，共57页，星期日，2025年，2月5日MC粒子滤波器MC粒子滤波器第40页，共57页，星期日，2025年，2月5日Gauss-Hermite/无色粒子滤波器第41页，共57页，星期日，2025年，2月5日第1页，共57页，星期日，2025年，2月5日滤波的信号模型统计状态转换方程联系当前状态与以前状态统计观察/测量方程联系观察数据与当前状态噪声第2页，共57页，星期日，2025年，2月5日滤波方法线性，加性高斯噪声非线性，加性高斯噪声非线性，非高斯非加性噪声卡尔曼滤波扩展卡尔曼滤波；基于高斯积分，无色变换的卡尔曼滤波粒子滤波器信号模型滤波方法第3页，共57页，星期日，2025年，2月5日非线性滤波通用贝叶斯非线性滤波加性高斯噪声非加性高斯噪声高斯积分卡尔曼滤波器无色卡尔曼滤波器MC卡尔曼滤波器扩展卡尔曼滤波器重采样粒子滤波器无重采样粒子滤波器SequentialImportanceSamplingParticleFilter-SISPFBootstrapParticleFilter-BPF基于高斯分布的粒子滤波器高斯积分粒子滤波器无色粒子滤波器MC粒子滤波器粒子退化问题；Rao-BlackwellasationPF;粒子滤波器应用第4页，共57页，星期日，2025年，2月5日一个非线性随机系统可以由一个统计的状态转换方程和一个统计的观察/测量方程共同定义。（一）贝叶斯滤波贝叶斯框架下，公式（1）确定了预测当前状态的条件转换概率(给定前一时刻的状态和所有的观测值)：公式（2）确定了预测当前观测值的似然概率(给定当前状态)：(1)(2)(*1)(*2)第5页，共57页，星期日，