粒子滤波的基本原理
粒子滤波算法广泛应用在视觉跟踪领域、通信与信号处理领域、机器人、图像处理、金融经济、以及目标定位、导航、跟踪领域，其本质是利用当前和过去的观测量来估计未知量的当前值。在粒子滤波算法中使用了大量随机样本，采用蒙特卡洛仿真来完成递推贝叶斯滤波过程，其核心是使用一组具有相应权值的随机样本（粒子）来表示状态的后验分布。该方法的基本思路是选取一个重要性概率密度函数并从中进行随机抽样，得到一些带有相应权值的随机样本后，在状态观测的基础上调节权值的大小和粒子的位置，再使用这些样本来逼近状态后验分布，最后通过这组样本的加权求和作为状态的估计值。粒子滤波不受系统模型的线性和高斯假设约束，采用样本形式而不是函数形式对状态概率密度进行描述，使其不需要对状态变量的概率分布作过多的约束，适用于任意非线性非高斯动态系统，是目前最适合于非线 性、非高斯系统状态的滤波方法【Arulampalam M S, Maskell S, Gordon N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2):174-188.】
1 动态系统的状态空间模型
状态空间模型包括系统状态方程和观测方程，其通用的表示方法分别为【梁军. 粒子滤波算法及其应用研究[D]. 哈尔滨工业大学, 2009.】【黄小平, 王岩, 廖鹏程. 粒子滤波原理及应用——MATLAB 仿真[M].电子工业出版社. 2017】
()1,k k k f -=X X W （1） (),k k k h =Z X V （2）
其中()f ?和()h ?为已知函数，
k W 和k V 是概率密度已知的随机变量，k X 代表k 时刻的状态量，k Z 代表k 时刻的观测量，k W 和k V 是相互独立的。
关于系统的状态方程和观测方程，通常也可用()1k k p -X X 表示状态转移模型；()k k p Z X 表示观测似然模型；()0p X 表示初始状态的先验分布；()0:1:k k p X Z 表示系统的后验密度；
()1:k k p X Z 表示边沿后验密度，或称为后验滤波密度。卡尔曼滤波以及粒子滤波算法的本质即是利用观测序列1:k Z 对当前状态进行优化，从而得到k 时刻的后验滤波密度，进而得到k 时刻的状态值。【Merwe R V D, Doucet A, Freitas N D, et al. The unscented particle filter[C]// International Conference on Neural Information Processing Systems. MIT Press, 2000:563-569.】
2 贝叶斯滤波原理
贝叶斯估计是利用先验知识和实际观测值构造系统的后验概率来估计系统的状态量。若系统的先验概率密度为()0:k p X ，观测值为1:k Z ，则系统的后验概率密度可表示为
()()
()
()()1:0:0:1:0:1:0:0:0:k k k k k k k k k
p p p p p d =?Z X X Z X Z X X X （3）
从式（3）可以看出，后验概率实际上是利用观测值对先验概率进行修正。由于进行了修正，后验概率密度较先验概率密度更加接近被估计值的真实概率密度。滤波问题是为了计算后验滤波概率密度()1:k k p X Z ，它实际上是()0:1:k k p X Z 的边沿概率密度即
()()1:0:1:01......k k k k k p p d d -=??X Z X Z X X （4）
当每一个新的观测量k Z 到来时，即需要完成式（4）得到后验滤波概率密度。
为清晰的给出后验滤波概率密度的逐级递推形式。首先，通过预测步骤得到不包含k 时刻观测值的k 时刻系统的先验滤波概率密度
()()()1:1111:11k k k k k k k p p p d -----=?X Z X X X Z X （5）
其中()1k k p -X X 由系统状态方程决定，()11:1k k p --X Z 是1k -时刻的后验滤波概率密度。然后，根据贝叶斯公式，利用k 时刻的先验滤波概率密度()1:1k k p -X Z 推导k 时刻的后验概率密度的表示形式
()()()
()
1:11:1:1k k k k k k k k p p p p --=
Z X X Z X Z Z Z （6）
其中()k k p Z X 由观测方程决定。
()()()1:11:1k k k k k k k p p p d --=?Z Z Z X X Z X （7）
一般为归一化常数。因此贝叶斯滤波的递推框图如下所示
()0p X
???????????
图1 贝叶斯递推滤波框图
贝叶斯递推过程中的主要的几个公式
()()()1:1111:11k k k k k k k p p p d -----=?X Z X X X Z X （利用上一时刻的后验滤波密度，结合状态转移概率对这一时刻的先验滤波概率密度进行求解）
()()()1:11:1k k k k k k k p p p d --=?Z Z Z X X Z X （利用先验滤波概率密度以及观测似然密度得到观测概率）
()()()
()
1:11:1:1k k k k k k k k p p p p --=
Z X X Z X Z Z Z （利用这一时刻的先验滤波概率密度，结合观测似然概率
密度对这一时刻的后验滤波概率密度进行求解）
以上三个式子是贝叶斯滤波递推求解后验滤波概率密度的核心公式，称为贝叶斯递推滤波算法。这里给出贝叶斯滤波原理的一个简单例子。
一个简单的例子：假设动态系统状态空间模型中状态方程和观测方程分别为
1k k k -=+X X W （8） k k k =+Z X V （9）
其中()~0,1k N W ，()~0,0.5k N V ，并给出初始状态00=X 。由此，可以得到：
0X 是以概率1取值为0，即
()()00p δ=X X （10）
状态转移概率
()()2112k k k k p --??-=- ? ???
X X X X （11）
观测似然函数密度
()()220.5k k k k p ??
-=- ? ????
Z X Z X （12）
该系统等效于某信号经过一个()0,1N 的高斯信道进行传输，然后再利用一个测量误差为
()0,0.5N 的测量设备对该信号进行测量。当从0时刻向1时刻转移时
()()()(
)()101000
1000212p p p d p d δ==??=- ?
??
??X Z X X X X X X X X X （13）
()()(
)(
)(
)(
)()1011101
2211112211112
11211
21=20.52=20.522-13-exp 13231
-3p p p d d d d =??-??-- ? ??????
---
? ???
?
???? ?
???? ?- ??? ???
??=
?
????Z Z Z X X Z X Z X X X Z X X X X Z Z X Z （14）
()()(
)()
(
)
()1110111022111212
1120.521
-323123p p p p =
??-??-- ? ? ??????=
?? ???
????- ?
??
? ?=- ?? ???Z X X Z X Z Z Z Z X X Z X Z （15）
此时1k =时刻的后验滤波概率密度
()1112
1~,3
3p N ?? ???X Z Z （16）
通过式（16）可以看出，1k =时刻的后验概率密度是利用观测方程对状态方程得到的先验概率密度的修正，因此较状态方程和观测方程的误差都要小。然后将1k =时刻的后验概率密度作为2k =时刻的先验概率密度进行递推，即从1时刻向2时刻转移过程时
()()(
)(
)()(
)(
)()(
)2121111
2
2112112
1212221211222121231223123114186224311862
p p p d d d =????- ? ???-?? ?
=-- ??? ???
????-+ ?
????
? ?=
--+- ? ???? ???
??=
--+ ?
??=?
X Z X X X Z X
X Z X X X
X X Z X Z X Z X X Z X
Z 2
212342
3????
- ? ??
?
?- ??
???X Z （17）
也就是说()2112
4~,3
3p N ?? ???X Z Z （这是利用1Z 对2X 的估计）
()()()()()()()()()()2122212
22222212122
2122221122
222131120.5862412112344exp 4113311211
341133p p p d d d =??-??
=---+ ? ??????????-+ ?
? ?????? ?=--+- ??? ?
???
=
--+?Z Z Z X X Z X Z X X Z X Z X X Z Z Z Z Z Z X Z Z 122
214112331126??
?
??
????- ? ??
? ?=- ?? ???
Z Z Z Z （18）
()()()
()(
)()(
)
222121:2212222221212
21231120.58624121124211p p p p =
??-??---+ ? ? ????=
??????-+ ?
? ????
? ?
=- ?? ? ???
Z X X Z X Z Z Z Z X X Z X Z X Z Z （19）
因此，2k =时刻的后验滤波概率密度
()21:212414~2,112
11p N ??
??+ ? ?????X Z Z Z （20）
这样依次递推，即可得到每一时刻2X 的后验概率密度，从而实现对状态量的后验滤波。
3 贝叶斯重要性采样和序贯重要性采样
3.1贝叶斯重要性采样
在实际问题中，求出后验概率密度后，需要根据后验密度得到某个函数的估计值。然而，后验概率密度函数与其他函数乘积的积分往往很难求解。根据蒙特卡洛仿真原理，只需要按照后验概率分布对状态量进行抽样，将每一个抽样得到的状态量称为一个“粒子”，然后将每个粒子带入函数，求函数的均值。该均值可以近似看作函数的估计值。
()()()()0:0:1
1
N
k k
i E g g i N
=≈
∑X X （21）
从上式中可以看出，当N 越大该近似值越接近()()0:k E g X 。
然而，从后验密度中直接抽样是难以实现的。于是，引入重要性概率密度的参考分布
():1:k o k q X Z ，该参考分布应该是便于抽样的，利用重要性概率密度和贝叶斯公式综合运算可
得
()()()()()()
()()
()()()()
*0:0:1
0:*0:1
0:0:1
11N
k
k
k
i k N
k
k
i N k k k i g i i N
E g i N
g i i ===≈
=∑∑∑X w X X w X X w X （22）
其中
()()()()()
1:0:0:*0:0:1:k k k k k k k p p i q =
Z X X w X X Z ，()()
()()
()()
*
0:0:*
0:1
k k k k N
k
k
i i i i ==
∑w X w X w X （23）
这样，引入重要性概率密度的参考分布后，将其转化为每个粒子的权值()()0:k k i w X 乘入到粒子
的函数值中进行加权即可。同样，注意到当参考分布与后验密度相同时，加权系数
()()()*0:1:k k k i p =w X Z ，这时候加权系数()()*0:k k i w X 与抽样值()0:k i X 没有关系是一个常数。因此
()()0:1
k k i N
=
w X 。 3.2 序贯重要性采样（SIS 算法）
上述分析虽然解决了后验概率密度难以进行采样的问题，但每当一个新的观测数据到来时，就需要重新从重要性概率密度中抽取样本
卡尔曼滤波计算举例 ?计算举例 ?卡尔曼滤波器特性
假设有一个标量系统，信号与观测模型为 [1][][]x k ax k n k +=+[][][] z k x k w k =+其中a 为常数，n [k ]和w [k ]是不相关的零均值白噪声，方差分别为和。 系统的起始变量x [0]为随机变量，其均值为零，方差为。2n σ2 σ[0]x P （1）求估计x [k ]的卡尔曼滤波算法；（2）当时的卡尔曼滤波增益和滤波误差方差。 22 0.9,1,10,[0]10 n x a P =σ=σ==1. 计算举例
根据卡尔曼算法，预测方程为: ??[/1][1/1]x k k ax k k -=--预测误差方差为: 2 2 [/1][1/1]x x n P k k a P k k -=--+σ 卡尔曼增益为: () 1 22 22 22 [][/1][/1][1/1][1/1]x x x n x n K k P k k P k k a P k k a P k k -=--+σ --+σ=--+σ+σ ???[/][/1][]([][/1])??[1/1][]([][1/1])?(1[])[1/1][][]x k k x k k K k z k x k k ax k k K k z k ax k k a K k x k k K k z k =-+--=--+---=---+滤波方程:
()() 2 2222222 222 22 [/](1[])[/1] [1/1]1[1/1][1/1][1/1][1/1]x x x n x n x n x n x n P k k K k P k k a P k k a P k k a P k k a P k k a P k k =--??--+σ=---+σ ?--+σ+σ??σ--+σ = --+σ+σ 滤波误差方差 起始：?[0/0]0x =[0/0][0] x x P P =
粒子滤波算法原理和仿真 1 引言 粒子滤波(Particle Filter, PF)是一种基于蒙特卡洛(Monte Carlo, MC)方法的递推贝叶斯滤波算法。其核心思想是通过从状态空间寻找的一系列随机样本来近似系统变量的概率密度函数，以样本均值代替积分运算，从而获得状态的最小方差估计。其中从状态空间中抽取的样本称为“粒子”。一般地，随着粒子数目的增加，粒子的概率密度函数就逐渐逼近状态的概率密度函数，从而达到最优贝叶斯估计的效果。 2 粒子滤波原理 2.1 系统的动态空间 对于被观测对象的状态，可以通过以下非线性离散系统来描述： 11(,)t t t x f x w --= (1) (,)t t t z h x v = (2) 以上为系统的状态方程和观测方程。其中，f ( )为状态函数，h ( )为观测函数，x t 是系统在时间t 的状态变量，w t 为对应的过程噪声，z t 是系统在时间t 的观测值，v t 为对应的观测噪声。 从贝叶斯估计角度来看，状态估计问题就是根据观测信息z 0:t 构造状态的概率密度函数p (x 0:t |z 0:t )，从而估计在系统在任何状态下的滤波值。设系统状态序列函数为g t ，则有： []0:0:0:0:0:()()()t t t t t t x E g x g x p x z dx =? (3) 根据蒙特卡洛方法，后验概率分布可以用有限的离散样本来近似，由大数定律，当系统粒子数N →∞时，期望E [g t (x 0:t )]可近似为： []() 0:0:1 1()()N i t t t t i E g x g x N ==∑ (4) 式中{() 0:i t x : i =1,2,...N }为状态空间中按p (x 0:t |z 0:t )得到的采样点。 2.2 重要性采样 在粒子采集过程中，p (x 0:t |z 0:t )往往是未知且多变的，因此可先从一个已知且容易采样的参考分布q (x 0:t |z 0:t )中抽样，再通过对抽样粒子集进行加权求和来估计系统的状态值，即：
卡尔曼滤波简介及其算法实现代码 卡尔曼滤波算法实现代码（C，C＋＋分别实现） 卡尔曼滤波器简介 近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。 因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。 卡尔曼滤波器– Kalman Filter 1．什么是卡尔曼滤波器 （What is the Kalman Filter?） 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.doczj.com/doc/be6187699.html,/~welch/media/pdf/Kalman1960.pdf。 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就
毕 业 设 计 （论文） 开 题 报 告 姓名: 学号： 学院： 专业: 课题：基于粒子滤波的移动目标跟踪导师： 时间：
1.本课题研究的目的及意义： 粒子滤波(Particle Filter, PF)是一种基于蒙特卡罗(Monte Carlo)仿真的方法，它利用状态空间的一组带权值的随机样本(粒子)逼近状态变量的概率密度函数，每个样本代表系统的一个可能状态，可以得到状态的最小方差估计。粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件，因此，近几年来它在计算机视觉、目标跟踪、机器学习等领域受到了广泛的关注。另外，粒子滤波器的多模态处理能力，也是它应用广泛的原因之一。 本课题主要关注粒子滤波算法在目标跟踪领域的应用，随着计算机技术的发展，人们开始利用计算机来处理数字图像，包括图像增强，图像恢复，图像检索等等，而视频中运动目标的跟踪一直是计算机视觉、图像处理和模式识别等领域非常重要的研究课题。但是传统的目标跟踪方法存在着很多的局限性与不足之处，比如对非刚性目标跟踪时如何准确提取合适的目标特征进行跟踪，以及如何应对跟踪过程中的遮挡问题和复杂背景等等，也就难以保证跟踪的实时性和有效性。然而诸如此类的问题现在可以借助基于粒子仿真的方法来解决，在动态系统的模型选择，故障检测、诊断方面，出现了基于粒子的假设检验、粒子多模型、粒子似然度比检测等方法。同时，粒子滤波较之卡尔曼滤波（Kalman Filter）等在非线性非高斯系统领域中存在的优势，也决定了它的应用范围更加宽泛。 本课题旨在通过研究深入理解粒子滤波的原理及其算法，并利用MATLAB软件的图像处理功能，成功将粒子滤波算法应用于目标跟踪领域，最终实现对视频中运动目标的准确跟踪与检测。 2. 本课题国内外同类研究现状： 基于粒子滤波极强的实用性，国内外学者对此已经进行了大量研究，提出了许多用于跟踪的有效算法。这些方法主要可以分为两类：(1) 基于运动的方法：依据某种强健的算法，把一段时间内的具有运动一致性的点归为一类，如光流法和特征点法，但是计算量较大。(2) 基于模型的方法：主要依据高层的语义表示和知识描述来完成目标的跟踪。利用目标中信息部分的不同，可分为基于目标边界、基于目标区域的方法。但由于目标本身的信息较多，如不加简化，将不可避免地带来信息匹配时的大量运算。因此，对于实时性要求很高的运动目标的跟踪技术而言，如何选取目标的特征信息，并在可靠的前提下简化运算是目标跟踪的关键。本研究将在借鉴前人研究成果的基础
卡尔曼滤波本来是控制系统课上学的，当时就没学明白，也蒙混过关了，以为以后也不用再见到它了，可惜没这么容易，后来学计算机视觉和图像处理，发现用它的地方更多了，没办法的时候只好耐心学习和理解了。一直很想把学习的过程记录一下，让大家少走弯路，可惜总也没时间和机会，直到今天。。。 我一直有一个愿望，就是把抽象的理论具体化，用最直白的方式告诉大家--不提一个生涩的词，不写一个数学公式，像讲故事一样先把道理说明白，需要知道细节的同学可以自己去查所有需要知道的一切。因为学习的过程告诉我，最难的其实是最初和这个理论和应用背景亲和的过程--这些理论它究竟是做什么的，又是怎么做到的。可惜我们能看到的关于这些理论的资料大多数都是公式的堆砌并且假定我们明白许多“基本的道理”，其实这些“基本的道理”往往是我们最难想象和超越的。以卡尔曼滤波为例，让我们尝试一种不同的学习方法。 相信所有学习卡尔曼滤波的同学首先接触的都是状态方程和观测方程，学过控制系统的同学可能不陌生，否则，先被那两个看起来好深奥的公式给吓跑了，关键是还不知道他们究竟是干什么的，什么是状态，什么是观测。。。。。。如果再看到后面的一大串递归推导增益，实在很晕很晕，更糟糕的是还没整明白的时候就已经知道卡尔曼滤波其实已经不够使了，需要extended kalmanfilter和particle filter了。。。 其实我们完全不用理会这些公式。先来看看究竟卡尔曼滤波是做什么的，理解了卡尔曼滤波，下面的就顺其自然了。 用一句最简单的话来说，卡尔曼滤波是来帮助我们做测量的，大家一定不明白测量干嘛搞那么复杂？测量长度拿个尺子比一下，测量温度拿温度表测一下不就完了嘛。的确如此，如果你要测量的东西很容易测准确，没有什么随机干扰，那真的不需要劳驾卡尔曼先生。但在有的时候，我们的测量因为随机干扰，无法准确得到，卡尔曼先生就给我们想了个办法，让我们在干扰为高斯分布的情况下，得到的测量均方误差最小，也就是测量值扰动最小，看起来最平滑。 还是举例子最容易明白。我最近养了只小兔子，忍不住拿小兔子做个例子嘻嘻。 每天给兔子拔草，看她香甜地吃啊吃地，就忍不住关心一下她的体重增长情况。那么我们就以小兔子的体重作为研究对象吧。假定我每周做一次观察，我有两个办法可以知道兔子的体重，一个是拿体重计来称：或许你有办法一下子就称准兔子的体重（兽医通常都有这办法），但现在为了体现卡尔曼先生理论的魅力，我们假定你的称实在很糟糕，误差很大，或者兔子太调皮，不能老实呆着，弹簧秤因为小兔子的晃动会产生很大误差。尽管有误差，那也是一个不可失去的渠道来得到兔子的体重。还有一个途径是根据书本上的资料，和兔子的年龄，我可以估计一下我的小兔子应该会多重，我们把用称称出来的叫观察量，用资料估计出来的叫估计值，无论是观察值还是估计值显然都是有误差的，假定误差是高斯分布。现在问题就来了，按照书本上说我的兔子该3公斤重，称出来却只有2.5公斤，我究竟该信哪个呢？如果称足够准，兔子足够乖，卡尔曼先生就没有用武之地了呵呵，再强调一下是我们的现状是兔兔不够乖，称还很烂呵呵。在这样恶劣的情景下，卡尔曼先生告诉我们一个办法，仍然可以估计出八九不离十的兔兔体重，这个办法其实也很直白，就是加权平均，把称称出来的结果也就是观测值和按照书本经验估算出来的结果也就是估计值分别加一个权值，再做平均。当然这两个权值加起来是等于一的。也就是说如果你有0.7分相信称出来的体重，那么就只有0.3分相信书上的估计。说到这里大家一定更着急了，究竟该有几分相信书上的，有几分相信我自己称的呢？都怪我的称不争气，没法让我百分一百信赖它，还要根据书上的数据来做调整。好在卡尔曼先生也体会到了我们的苦恼，告诉我们一个办法来决定这个权值，这个办法其实也很直白，就是根据以往的表现来做决定，这其实听起来挺公平的，你以前表现好，我就相信你多一点，权值也就给的高一点，以前表现不好，我就相信你少一点，权值自然给的低一点。那么什么是表现好表现不好呢，表现好意思就是测量结果稳定，方差很小，
2.4粒子滤波 例子滤波是以贝叶斯滤波和重要性采样为基本框架的。因此，想要掌握例子滤波，对于上述两个基本内容必须有一个初步的了解。重要性采样呢，其实就是根据对粒子的信任程度添加不同的权重，添加权重的规则就是：对于我们信任度高的粒子，给它们添加的权重就相对大一些；否则，就加的权重小一些。根据权重的分布形式，实际上就是它与目标的相似程度。 粒子滤波的结构实际上就是加一层重要性采样思想在里面的蒙特卡罗方法（Monte Carlo method,即以某时间出现的频率来指代该事件的概率）。该方法的基本思想是用一组样本（或称粒子）来近似表示系统的后验概率分布，然后使用这一近似的表示来估计非线性系统的状态。采用此思想，在滤波过程中粒子滤波可以处理任意形式的概率，而不像Kalman滤波只能处理线性高斯分布的概率问题。粒子滤波的一大优势也在于此，因此近年来该算法在许多领域得到成功应用。 2.4.1贝叶斯滤波理论 贝叶斯滤波泛指一类以贝叶斯定理为基础的滤波技术，其根据所获得的观测，对状态后验概率分布、状态先验概率分布、状态估计值以及状态预测值等感兴趣量进行递归计算。 假设有一个系统，我们知道它的状态方程，和测量方程如下： =(,（状态方程）（2.4.1） =(,（测量方程）（2.4.2） 其中x为系统状态，y为测量到的数据，f,h是状态转移函数和测量函数，v,n 为过程噪声和测量噪声，噪声都是独立同分布的。 由贝叶斯理论可知，状态估计问题（目标跟踪、信号滤波）就是根据之前一系列的已有数据（测量数据）递推的计算出当前状态的可信度，这个可信度就是概率公式p()，它需要通过预测和更新两个步奏来递推的计算。 预测过程是利用系统模型(状态方程2.4.2)预测状态的先验概率密度，也就是通过已有的先验知识对未来的状态进行猜测，即p( )。更新过程则利用最新的测量值对先验概率密度进行修正，得到后验概率密度，也就是对之前的猜测进行修正。 处理这些问题之前，假设系统的状态转移服从一阶马尔科夫模型，即当前时刻的状态x(k)只与上一个时刻的状态x(k-1)有关, k时刻测量到的数据y(k)只与当前的状态x(k)有关。
基于统计过程控制(SPC)的故障预测技术 统计过程控制(StatisticalPI’OCes8Control，SPC)是一种有效的数据统计方法，将SPC理论和计算机技术相结合，对机械制造、产品加工等生产过程的产品进行质量管理，以改进生产技术，提高产品质量，具有对生产过程预防和监控的能力。统计过程控制技术运用休哈特(W.A.Shewhart)的过程控制理论即控制图来判断设备是否处于稳定可靠状态，根据控制图上的特征值点分布状况，分析对象系统特性的趋势，并采取预防措施确保对象系统特性始终处于统计控制状态，从而达到改进与保证质量的目的。属于基于数据的故障预测中的一种。 预置损伤标尺方法又称为“基于保险和预警装置的方法”，是通过在实际产品中增加保险或预警装置来提供故障的早期预警。 性能状态检测方法又称为“基于故障预兆监控与推理的方法”、“数据驱动方法”，是利用可以测量的产品性能或者状态变量的变化趋势、故障征兆等进行故
障的预测。 环境应力检测方法又称为“基于失效物理模型的方法”，是基于产品的失效物理模型，对产品的环境应力和工作应力进行监测和累计损伤计算，进而推断出产品的剩余寿命。 2．3．1 基于失效寿命数据的故障预测 失效寿命数据包括失效时间、无故障数据和截尾数据。根据失效寿命数据的分类，KM 估计对三类数据的处理过程如下: ①观测到故障的失效寿命数据，在故障发生前可靠度为1，在故障发生后可靠度为0。其表达式为: ②未观测到故障的样本数据，可靠度估计恒为1，即r( t) = 1。 ③截尾数据。在截尾之前可靠度为1，截尾后采用KM 估计。其表达式为:
2．3．3 基于多输出支持向量机( SVM) 的故障预测 构造的多输出SVM 故障预测模型如图 4 所示。故障预测模型的输入为样本的性能退化数据序列( 每个样本序列均以时间先后为序排列) ，输出为对应样本的可靠度。故障预测模型的工作原理就是，通过训练多输出SVM 来拟合性能退化数据和可靠度间的非线性关系，用训练好的SVM 预测组件将来时刻的可靠度。 2)故障预测技术现有用于机电设备故障/失效预测的方法可归纳分为以下5个主要类别:传统的可靠性方法-基于事件数据(EventData)的预测;预测学(Prognostics)方法-基于状态数据(ConditionMonitoring)的预测;综合集成的方法(Integrated Ap-proaches)-基于事件数据和状态数据的预测;基于定性知识的故障预测方法;其他故障预测方法
本文来自https://www.doczj.com/doc/be6187699.html,/yangyangcv/archive/2010/05/23/1742263.html 一直都觉得粒子滤波是个挺牛的东西，每次试图看文献都被复杂的数学符号搞得看不下去。一个偶然的机会发现了Rob Hess(https://www.doczj.com/doc/be6187699.html,/~hess/)实现的这个粒子滤波。从代码入手，一下子就明白了粒子滤波的原理。根据维基百科上对粒子滤波的介绍 (https://www.doczj.com/doc/be6187699.html,/wiki/Particle_filter)，粒子滤波其实有很多变种，Rob Hess实现的这种应该是最基本的一种，Sampling Importance Resampling (SIR)，根据重要性重采样。下面是我对粒子滤波实现物体跟踪的算法原理的粗浅理解： 1）初始化阶段-提取跟踪目标特征 该阶段要人工指定跟踪目标，程序计算跟踪目标的特征，比如可以采用目标的颜色特征。具体到Rob Hess的代码，开始时需要人工用鼠标拖动出一个跟踪区域，然后程序自动计算该区域色调(Hue)空间的直方图，即为目标的特征。直方图可以用一个向量来表示，所以目标特征就是一个N*1的向量V。2）搜索阶段-放狗 好，我们已经掌握了目标的特征，下面放出很多条狗，去搜索目标对象，这里的狗就是粒子particle。狗有很多种放法。比如，a)均匀的放：即在整个图像平面均匀的撒粒子(uniform distribution)；b)在上一帧得到的目标附近按照高斯分布来放，可以理解成，靠近目标的地方多放，远离目标的地方少放。Rob Hess的代码用的是后一种方法。狗放出去后，每条狗怎么搜索目标呢？就是按照初始化阶段得到的目标特征(色调直方图，向量V)。每条狗计算它所处的位置处图像的颜色特征，得到一个色调直方图，向量Vi，计算该直方图与目标直方图的相似性。相似性有多种度量，最简单的一种是计算 sum(abs(Vi-V)).每条狗算出相似度后再做一次归一化，使得所有的狗得到的相似度加起来等于1. 3）决策阶段 我们放出去的一条条聪明的狗向我们发回报告，“一号狗处图像与目标的相似度是0.3”,“二号狗处图像与目标的相似度是0.02”,“三号狗处图像与目标的相似度是0.0003”,“N号狗处图像与目标的相似度是0.013”...那么目标究竟最可能在哪里呢？我们做次加权平均吧。设N号狗的图像像素坐标是(Xn,Yn),它报告的相似度是Wn,于是目标最可能的像素坐标X = sum(Xn*Wn),Y = sum(Yn*Wn). 4）重采样阶段Resampling 既然我们是在做目标跟踪，一般说来，目标是跑来跑去乱动的。在新的一帧图像里，目标可能在哪里呢？还是让我们放狗搜索吧。但现在应该怎样放狗呢？让我们重温下狗狗们的报告吧。“一号狗处图像与目标的相似度是0.3”,“二号狗处图像与目标的相似度是0.02”,“三号狗处图像与目标的相似度是 0.0003”,“N号狗处图像与目标的相似度是0.013”...综合所有狗的报告，一号狗处的相似度最高，三号狗处的相似度最低，于是我们要重新分布警力，正所谓好钢用在刀刃上，我们在相似度最高的狗那里
第二章 贝叶斯状态估计与粒子滤波 视觉跟踪可视为状态估计问题[16,54]，即根据视觉目标在先前帧的状态信息估计其在当前帧的状态，从而实现视觉跟踪。状态估计一直都是自动控制、通讯、航空与航天等领域的经典研究主题之一[69,70]。贝叶斯状态估计是处理不确定性条件下状态估计问题的有力理论工具[21,22,71]。为了有效处理非高斯、非线性状态估计问题，二十世纪九十年代人们提出了粒子滤波[19-22,71]，粒子滤波是基于Monte Carlo 随机模拟的贝叶斯滤波方法。本章将简单介绍贝叶斯状态估计和粒子滤波相关理论问题。首先，通过介绍贝叶斯状态估计相关理论，引出贝叶斯状态滤波问题及实现贝叶斯状态滤波的两大理论工具：卡尔曼系滤波器和粒子滤波。然后，简单介绍了卡尔曼系滤波器的相关理论和算法。最后，详细介绍了粒子滤波理论框架、收敛性问题及经典采样策略。 2.1 贝叶斯状态估计 估计理论是概率论和数理统计的一个分支，所研究的对象是随机现象。它是根据受干扰的观测数据来估计关于随机变量、随机过程或系统的某些特性的一种数学方法[70]。所谓估计，就是从带随机噪声干扰的观测信号中提取有用信息，可定义如下： 定义 2.1 如果假设被估计量为n 维向量()t X ，而其观测量为m 维向量()t Z ，且观测量与被估计量之间具有如下关系 ()()(),t h t t =????Z X V (2.1) 其中，[]h ?是已知的m 维向量函数，由观测方法决定；()t V 是观测误差向量，通常为一个随机过程。那么，所谓估计问题，就是在时间区间[]0,t t 内对()t X 进行观测，从而在得到观测数据(){}0,t t ττ=≤≤Z Z 的情况下，要求构造一个观测数据的函数()?X Z 去估计()t X 的问题，并称()?X Z 是()t X 的一个估计量，或称()t X 的估计为()?X Z [69,70]。 一般地，估计问题可以分为两类：状态估计和参数估计。状态和参数的基本差别在于，前者是随时间变化的随机过程，后者是不随时间变化或随时间缓慢变化的随机变量。因此，
clear all; M=10000;%粒子数 P0=5; %初始状态协方差 Q=10; %过程噪声方差 R=1; %量测方差阵 tf=150; %终止时间 pdf_v=inline('1/(2*pi*1)^(1/2)*exp(-(x.^2)/(2*1))'); f=inline('x./2+25*x./(1+x.^2)+8*cos(1.2*t)','x','t');%状态转移方程 h=inline('(x.^2)/20'); %量测方程 x(1)=sqrtm(P0)*randn(1); %初始状态值 y(1)=feval(h,x(1))+sqrtm(R)*randn(1); for t=2:tf %系统仿真 x(t)=feval(f,x(t-1),t-1)+sqrtm(Q)*randn(1); y(t)=feval(h,x(t))+sqrtm(R)*randn(1); end xTrue=x; xhat=PF(f,h,pdf_v,Q,P0,M,y);%状态值、量测值、高斯分布、过程噪声方差、初始方差阵、粒子数、包含噪声的量测值 plot(1:tf,xhat,'b--',1:tf,xTrue,'r'); xlabel('时间'); legend('状态估计值','状态真实值'); title('粒子滤波仿真实验'); grid on; rms=sum((xTrue-xhat).^2); rms=sqrt(rms/tf);
function xhat=PF(f,h,pdf_v,Q,P0,M,y) n=size(P0,2); x=sqrtm(P0)*randn(n,M);%初始化粒子 tf=size(y,2); for t=1:tf e=repmat(y(t),1,M)-h(x); %计算权重 w=feval(pdf_v,e); %似然函数 w=w/sum(w); xhat(t)=sum(repmat(w,n,1).*x,2);%归一化权值 ind=resampling(w); %重采样 x=x(:,ind); %新粒子 x=feval(f,x,t)+sqrtm(Q)*randn(n,M);%时间更新end function [i]=resampling(w) wc=cumsum(w);M=length(w); u=([0:M-1]+rand(1))/M; i=zeros(1,M);k=1; for j=1:M while(wc(k) 2粒子滤波理论 粒子滤波通过非参数化的蒙特卡洛(Monte Carlo)模拟方法来实现递推贝叶斯滤波，适用于任何能用状态空间模型描述的非线性系统，精度可以逼近最优估计。粒子滤波器具有简单、 易于实现等特点，它为分析非线性动态系统提供了一种有效的解决方法，从而引起目标跟踪、 信号处理以及自动控制等领域的广泛关注。本章首先概述用于求解目标状态后验概率的贝叶 斯滤波理论，随后介绍具有普遍适用性的粒子滤波器，最后针对当前粒子滤波器存在的粒子 多样性丧失问题，提出了一种量子进化粒子滤波算法。 2.1贝叶斯滤波 动态系统的目标跟踪问题可以通过图 2.1所示的状态空间模型来描述。本节在贝叶斯滤 波框架下讨论目标跟踪问题。 在目标跟踪问题中，动态系统的状态空间模型可描述为 X k f(X k 1) U k 1 (2.1) y k h(X k) V k 其中f(), h()分别为状态转移方程与观测方程，x k为系统状态，y k为观测值，u k为过程 噪声，V k为观测噪声。为了描述方便，用X k x°：k {X0,X1,L ,X k}与Y k y1k{%丄，丫讣分别表示0到k 时刻所有的状态与观测值。在处理目标跟踪问题时，通常假设目标的状态转 移过程服从一阶马尔可夫模型，即当前时刻的状态x k只与上一时刻的状态x k-1有关。另外 一个假设为观测值相互独立，即观测值y k只与k时刻的状态x k有关。 贝叶斯滤波为非线性系统的状态估计问题提供了一种基于概率分布形式的解决方案。贝叶斯滤波将状态估计视为一个概率推理过程，即将目标状态的估计问题转换为利用贝叶斯公 式求解后验概率密度p(X k |Y k)或滤波概率密度p(X k |Y k)，进而获得目标状态的最优估计。贝叶斯滤波包含预测和更新两个阶段，预测过程利用系统模型预测状态的先验概率密度，更 卡尔曼，美国数学家和电气工程师。1930年5月 19日生于匈牙利首都布达佩斯。1953年在美国麻省理工学院毕业获理学士学位,1954年获理学硕士学位,1957年在哥伦比亚大学获科学博士学位。1957～1958年在国际商业机器公司(IBM)研究大系统计算机控制的数学问题。1958～1964年在巴尔的摩高级研究院研究控制和数学问题。1964～1971年到斯坦福大学任教授。1971年任佛罗里达大学数学系统理论研究中心主任，并兼任苏黎世的瑞士联邦高等工业学校教授。1960年卡尔曼因提出著名的卡尔曼滤波器而闻名于世。卡尔曼滤波器在随机序列估计、空间技术、工程系统辨识和经济系统建模等方面有许多重要应用。1960年卡尔曼还提出能控性的概念。能控性是控制系统的研究和实现的基本概念，在最优控制理论、稳定性理论和网络理论中起着重要作用。卡尔曼还利用对偶原理导出能观测性概念，并在数学上证明了卡尔曼滤波理论与最优控制理论对偶。为此获电气与电子工程师学会(IEEE)的最高奖──荣誉奖章。卡尔曼著有《数学系统概论》(1968)等书。 什么是卡尔曼滤波 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼 滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的本来面目。 释文：卡尔曼滤波器是一种由卡尔曼（Kalman）提出的用于时变线性系统的递归滤波器。这个系统可用包含正交状态变量的微分方程模型来描述，这种滤波器是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。 卡尔曼滤波的应用 斯坦利.施密特(Stanley Schmidt)首次实现了卡尔曼滤波器.卡尔曼在NASA埃姆斯研究中心访问时,发现他的方法对于解决阿波罗计划的轨道预测很有用,后来阿波罗飞船的导航电脑使用了这种滤波器. 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表. 之前一直在做移动机器人定位算法。查来查去，发觉粒子滤波算法（又叫MC算法）应该算是最流行的了。因此开始学习使用之。入手的是本英文书叫“probalistic robotic” 很不错，我所见到的讲得最好的一本书。花了大量时间去研读。在这里我想谈谈我对粒子滤波的一点认识。因为在这一领域算是个新手。希望有前辈或者达人来指正我的想法。也希望我的这篇文章对新手有理解他有所帮助（当初我就很是苦于它难于理解）在这里我不想谈粒子滤波的理论基础和推到，这点大家可以去自己翻书。我只谈下我的体会。 粒子滤波算法。他源于Montecarlo的思想，即以某事件出现的频率来指代该事 件的概率。因此在滤波过程中，需要用到概率如P(x)的地方，一概对变量x采样，以大量采样的分布近似来表示P(x)。因此，采用此一思想，在滤波过程中粒子滤波可以处理任意形式的概率，而不像Kalman滤波只能处理高斯分布的概 率问题。他的一大优势也在于此。 再来看对任意如下的状态方程 x(t)=f(x(t-1),u(t),w(t)) y(t)=h(x(t),e(t)) 其中的x(t)为t时刻状态，u(t)为控制量，w(t) 和e(t)分别为模型噪声和，观测噪声。前一个当然是状态转移方程，后一个是观测方程。那么对于这么一个问题粒子滤波怎么来从观测y(t)，和x(t-1),u(t) 滤出真实状态x(t)呢？ 看看滤波的预估阶段：粒子滤波首先根据x(t-1) 和他的概率分布生成大量的采样，这些采样就称之为粒子。那么这些采样在状态空间中的分布实际上就是x(t-1) 的概率分布了。好，接下来依据状态转移方程加上控制量可以对每一粒子得到一个预测粒子。所有的预测粒子就代表了涉及哪些参数化的东西）。 进入校正阶段来：有了预测粒子，当然不是所有的预测粒子都能得到我们的时间观测值y对不，越是接近真实状态的粒子，当然获得越有可能获得观测值y对吧。于是我们对所有的粒子得有个评价了，这个评价就是一个条件概率P(y|x i ),直白的说，这个条件概率代表了假设真实状态x(t)取第i个粒子x i 时获得观测y的概率。令这个条件概率为第i个粒子的权重。如此这般下来，对所有粒子都进行这么一个评价，那么越有可能获得观测y的粒子，当然获得的权重越高。好了预测信息融合在粒子的分布中，观测信息又融合在了每一粒子的权重中。 龙源期刊网 https://www.doczj.com/doc/be6187699.html, 粒子滤波的目标跟踪算法研究与实现 作者：韩雪王元亮 来源：《现代商贸工业》2011年第15期 摘要：通过已经获得的运动目标的先验特征点，以及基于这些特征点在各种噪声的干扰 下多呈现非线性和非高斯的特点，我们可以利用粒子滤波的方法进行运动估计和跟踪。由于粒子滤波具有对非线性和非高斯的有效逼近的性质，获得粒子的后验概率分布，估计目标状态，实现目标的有效跟踪。为了有效避免粒子退化问题，采用累加权值、聚类算法并且引入高斯分布函数进行采样，保证粒子的多样性。经过程序测试，结果很有效。 关键词：粒子滤波；高斯分布；目标跟踪；先验概率分布 中图分类号：TB 文献标识码：A 文章编号：1672-3198（2011）15-0271-03 目标存在变化多样和跟踪设备对环境适应性不完善等问题，复杂环境下的运动目标跟踪是个难题。例如：由于检测结果不连续，在连续帧间，有些帧没有检测结果。为了有效跟踪运动目标，必须对运动对象进行有效的估计，利用已有的信息，获得当前运动物体估计状态，然后利用现有观察数据对运动状态进行修正。该类问题经常采用广义卡尔曼滤波方法。广义卡尔曼滤波依赖于模型的线性化和高斯假设。不过卡尔曼滤波存在许多缺点：在估计系统状态和方差时，由于线性逼近，可能导致滤波发散；如果密度函数不是高斯分布，该方法估计精度不高；在多维、多因素等复杂性的限制情况下，其结果计算量往往几何倍的增长。近年来出现一种新的最优非线性方法———粒子滤波，它源自序列蒙特卡罗方法。该方法不受动态系统各个随机变量的限制，能够有效地应用于非线性、非高斯的运动系统中。 粒子滤波的核心思想是利用一系列随即样本的加权和表示所需的后验概率密度，得到状态的估计值。当样本点数增至无穷大时，蒙特卡罗特性与后验概率密度的函数表示等价。一般都是用序贯粒子滤波算法，由于此方法会产生退化现象，随意在此基础上用重新采样方法。但这又会导致有大量重复的粒子构成，增加了计算量。而文中的方法加入了聚类算法和当前帧的特征点，进一步减少了粒子退化。 1 蒙特卡罗法基本原理 粒子滤波的理论基础是基于蒙特卡罗方法，即利用一系列随机抽取的样本，计算后验概率分布的方法。因为当这个抽样足够大的时候，这样计算的结果和实际后验分布的概率分布近 Kalman 滤波原理及仿真手册 KF/EKF/UKF 原理+应用实例+MATLAB 程序 本手册的研究内容主要有Kalman 滤波，扩展Kalman 滤波，无迹Kalman 滤波等，包括理论介绍和MATLAB 源程序两部分。本手册所介绍的线性滤波器，主要是Kalman 滤波和α-β滤波，交互多模型Kalman 滤波，这些算法的应用领域主要有温度测量、自由落体，GPS 导航、石油地震勘探、视频图像中的目标检测和跟踪。 EKF 和UKF 主要在非线性领域有着重要的应用，目标跟踪是最主要的非线性领域应用之一，除了讲解目标跟踪外，还介绍了通用非线性系统的EKF 和UKF 滤波处理问题，相信读者可以通过学习本文通用的非线性系统，能快速掌握EKF 和UKF 滤波算法。 本文所涉及到的每一个应用实例，都包含原理介绍和程序代码（含详细的中文注释）。 一、四维目标跟踪Kalman 线性滤波例子 在不考虑机动目标自身的动力因素，将匀速直线运动的船舶系统推广到四 维，即状态[]T k y k y k x k x k X )() ()()()( =包含水平方向的位置和速度和纵向的位置和速度。则目标跟踪的系统方程可以用式（3.1）和（3.2）表示， )()()1(k u k X k X Γ+Φ=+ （2-4-9） )()()(k v k HX k Z += （2-4-10） 其中，? ? ???? ??? ???=Φ10 00 1000010 001 T T ，???? ???????? ??=ΓT T T T 05.00005.022，T H ?? ??????????=00100001 ，T y y x x X ? ????? ??????= ，??? ???=y x Z ，u ,v 为零均值的过程噪声和观测噪声。T 为采样周期。为了便于理解， 将状态方程和观测方程具体化： 粒子滤波算法 09S003057 徐飞 由于我的课题是用粒子滤波进行目标跟踪，今天参加了一场粒子滤波算法的讲座，对经典粒子滤波与其它粒子滤波进行了详细的讲解，学到了很多知识。 经典粒子滤波 算法的一般描述： 1.初始化：取k ＝0，按0()p x 抽取N 个样本点() 0i x ，i ＝1,…,N 。 2.重要性采样： ()()0:11:(|,)i i k k k k x q x x z -~，令 ()() ()0:0:1(,)i i i k k k x x x -=，其中i ＝1,…,N 。 3.计算权值： ()()() () ()11 ()() 0:11:(|)(|)(|,) i i i i i k k k k k k i i k k k p z x p x x q x x z ---ω =ω 若采用一步转移后验状态分布，该式可简化为()()() 1(|)i i i k k k k p z x -ω=ω。 4.归一化权值： () j j i i k k N k () ()=1 ωω = ω ∑ 5.重采样：根据各自归一化权值 () i k ω 的大小复制/舍弃样本 () 0:i k x ，得到N 个近似服从()0:1:(|)i k k p x z 分布的样本()0:i k x 。令()i k ω＝ ()i k ω＝1/N ，i ＝1,…,N 。 6.输出结果：算法的输出是粒子集() 0:{: 1...}i k x i N =，用它可以近似表示后验概率和函数 0:()k k g x 的期望 0:0:1:0:11(|)()i k N k k k x i p x z dx N ()==δ∑ 0:0:1 1(())()N i k k k k i E g x g x N ==∑ 7.K=K+1,重复2步至6步。 其它粒子滤波 正则粒子滤波 正则粒子滤波(Regularized Particle Filter ，RPF)是为了解决由重采样引入的新问题而提出的一种改进的粒子滤波。当通过序贯重要性采样后引起粒子退化问题时，前面提到可以用重采样的方法来减小退化的影响，但是引入重采样策略同时也引入了新的问题，即粒子匮乏问题，经过若干次迭代之后，所有粒子都趋向于同一个粒子，导致粒子的多样性丧失。这是因为在重采样过程中，粒子是从离散分布中采样取得的，而不是从连续分布中采样得到的。 正则粒子滤波正是为了解决上述问题而提出的。它与SIR 粒子滤波的区别在于：在重采样过程中，SIR 从离散近似的分布中重采样，而正则粒子滤波则从连续近似的分布中重采样。 1 0:1 {,} (|)()N j j m i i k k j k k k h k k i x p x y K x x ==ω~≈ω-∑ 其中,1()()h n x x K x K h h = 是对核密度()K 进行了重新标度后的结果，n 为x 的维数,h 称为 扩展卡尔曼滤波和粒子滤波算法比较上海大学2013 , 2014学年秋季学期 研究生课程小论文 课程名称: 随机信号导论课程编号: 07SB17002 论文题目: 扩展卡尔曼滤波和粒子滤波算法比较 研究生姓名: 班孝坤 (33%) 学号: 13720843 研究生姓名: 倪晴燕 (34%) 学号: 13720842 研究生姓名: 许成 (33%) 学号: 13720840 论文评语: 成绩: 任课教师: 刘凯 评阅日期: 扩展卡尔曼滤波和粒子滤波算法比较 第一章绪论 在各种非线性滤波技术中, 扩展卡尔曼滤波是一种最简单的算法, 它将卡尔曼滤波局部线性化,适用于弱非线性、高斯环境下。卡尔曼滤波用一系列确定样本来逼近状态的后验概率密度, 适用于高斯环境下的任何非线性系统。粒子滤波用随机样本来近似状态的后验概率密度, 适用于任何非线性非高斯环境, 但有时选择的重要性分布函数与真实后验有较大差异, 从而导致滤波结果存在较大误差, 而粒子滤 波正好克服了这一不足, 它先通过UKF产生重要性分布, 再运用PF 算法。通过仿真实验, 对其的性能进行比较。 严格说来,所有的系统都是非线性的,其中许多还是强非线性的。因此,非线性系统估计问题广泛存在于飞行器导航、目标跟踪及工业控制等领域中,具有重要的理论意义和广阔的应用前景。 系统的非线性往往成为困扰得到最优估计的重要因素，为此，人们提出了大量次优的近似估计方法。包括EKF,基于UT变换的卡尔曼滤波(UKF)，粒子滤波，等等。 第二章扩展卡尔曼滤波介绍 2.1 扩展卡尔曼滤波的理论(EKF) 设非线性状态空间模型为: xfxv,(,)(1)ttt,,11 yhxn,(,)(2)ttt 式中和分别表示在t时刻系统的状态和观测，和 xR,yR,vR,nR,tttt分别表示过程噪声和观测噪声，f和h表示非线性函数。 扩展卡尔曼滤波(Extended kalman filter,以下简称EKF)是传统非线性估计的代表,其基本思想是围绕状态估值对非线性模型进行一阶Taylor展开,然后应用线性系统Kalman滤波公式。 EKF是用泰勒展开式中的一次项来对式(1)和 ( 2 ) 中的非线性函数f和h 进行线性化处理, 即先计算f和h 的雅克比矩阵, 然后再在标准卡尔曼滤波框架下进行递归滤波。和均为零均值的高斯白噪声。 vntt 2.2 扩展卡尔曼滤波的算法 EKF的算法同KF 一样, 也可分为两步预测和更新。如图2.1所示 粒子滤波的基本原理 粒子滤波算法广泛应用在视觉跟踪领域、通信与信号处理领域、机器人、图像处理、金融经济、以及目标定位、导航、跟踪领域，其本质是利用当前和过去的观测量来估计未知量的当前值。在粒子滤波算法中使用了大量随机样本，采用蒙特卡洛仿真来完成递推贝叶斯滤波过程，其核心是使用一组具有相应权值的随机样本（粒子）来表示状态的后验分布。该方法的基本思路是选取一个重要性概率密度函数并从中进行随机抽样，得到一些带有相应权值的随机样本后，在状态观测的基础上调节权值的大小和粒子的位置，再使用这些样本来逼近状态后验分布，最后通过这组样本的加权求和作为状态的估计值。粒子滤波不受系统模型的线性和高斯假设约束，采用样本形式而不是函数形式对状态概率密度进行描述，使其不需要对状态变量的概率分布作过多的约束，适用于任意非线性非高斯动态系统，是目前最适合于非线 性、非高斯系统状态的滤波方法【Arulampalam M S, Maskell S, Gordon N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2):174-188.】 1 动态系统的状态空间模型 状态空间模型包括系统状态方程和观测方程，其通用的表示方法分别为【梁军. 粒子滤波算法及其应用研究[D]. 哈尔滨工业大学, 2009.】【黄小平, 王岩, 廖鹏程. 粒子滤波原理及应用——MATLAB 仿真[M].电子工业出版社. 2017】 ()1,k k k f -=X X W （1） (),k k k h =Z X V （2） 其中()f ?和()h ?为已知函数， k W 和k V 是概率密度已知的随机变量，k X 代表k 时刻的状态量，k Z 代表k 时刻的观测量，k W 和k V 是相互独立的。 关于系统的状态方程和观测方程，通常也可用()1k k p -X X 表示状态转移模型；()k k p Z X 表示观测似然模型；()0p X 表示初始状态的先验分布；()0:1:k k p X Z 表示系统的后验密度； ()1:k k p X Z 表示边沿后验密度，或称为后验滤波密度。卡尔曼滤波以及粒子滤波算法的本质即是利用观测序列1:k Z 对当前状态进行优化，从而得到k 时刻的后验滤波密度，进而得到k 时刻的状态值。【Merwe R V D, Doucet A, Freitas N D, et al. The unscented particle filter[C]// International Conference on Neural Information Processing Systems. MIT Press, 2000:563-569.】粒子滤波理论备课讲稿
卡尔曼滤波简介和实例讲解.
粒子滤波原理体会
粒子滤波的目标跟踪算法研究与实现
Kalman滤波原理及程序(手册)解析
粒子滤波算法
扩展卡尔曼滤波和粒子滤波算法比较
粒子滤波的基本原理笔记
相关主题
文本预览