matlab粒子滤波

matlab粒子滤波

ID:21154162

大小:42.50 KB

页数:7页

时间:2018-10-20

matlab粒子滤波_第1页
matlab粒子滤波_第2页
matlab粒子滤波_第3页
matlab粒子滤波_第4页
matlab粒子滤波_第5页
资源描述:

《matlab粒子滤波》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、matlab粒子滤波中,请问状态方程的x(t)和观测方程的y(t)表达什么意思?x(t)=f(x(t-1),u(t),w(t))(1)状态转移方程,u(t)为控制量,w(t)为模型噪声y(t)=h(x(t),e(t))(2)观测方程,e(t)为观测噪声举个比较简单的例子,粒子滤波主要用来解决非线性非高斯问题,方法是通过蒙特卡罗方法生成具有一定概率密度分布的粒子,假设为N个,通过对粒子后验概率的求解,得到目标状态的最优估计,假设现在粒子初始状态为X(0)=1,于是在X(0)附近用正态分布生成N个粒子,生

2、成的N个粒子可能是1,2,0,3,1,1,这些粒子中肯定1出现的概率是最大的,对每个粒子初始权值1/N;假设现有一个状态转移方程X(t)=X(t-1)+1+W,于是将这N个粒子通过状态转移方程求得了X(1)时刻的粒子状态,2,3,1,4,2,2(这里没有加上噪声W,为了看着方便,W一般是高斯噪声)得到状态后通过观测方程求每个粒子的权值w(1)i,一般实际中用似然度函数,比如对于一个图像人头通过颜色直方图进行跟踪,那这个观测方程就是颜色直方图的似然度函数,于是得到了每个粒子的似然度匹配值,假设X(1)i

3、(i表示N个粒子中的第i个粒子)的似然度值为wp(1)i,用X(0)i的粒子权值w(0)i*wp(1)i,得到了未归一化的权值,再对其进行归一化就得到了w(1)i,而X在T=1时刻的估计值就可以用X(1)=SUM(X(1)i*w(1)i);i=1~N来求得,或者也可以取w最大的一点的X值也就是说在粒子滤波器中状态转移方程求的是粒子在下一个时刻的状态,观测方程是对粒子在这一状态的评价,即这个状态与最优的状态相比好不好,好,则这一点所占的权重就大,不好,则占的权重就小粒子滤波算法源于Montecarlo的

4、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))       (1)y(t)=h(x(t),e(t))          (2)其中的x(t)为t时刻状态,u(t)为控制量,w(t) 和e(

5、t)分别为模型噪声和观测噪声。(1)当然是状态转移方程,(2)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

6、预测粒子都能得到我们的时间观测值y,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。于是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

7、xi),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xi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。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。 最后采用重采样算法,去除低权值的粒子,复制高权值的粒子。所得当然是需要的真实状

8、态x(t)了,而这些重采样后的粒子,就代表了真实状态的概率分布了。 下一轮滤波,再将重采样过后的粒子集输入到状态转移方程中,直接就能够获得预测粒子了。 初始状态的问题:可以认为x(0)在全状态空间内平均分布。于是初始采样就平均分布在整个状态空间中。然后将所有采样输入状态转移方程,得到预测粒子。再评价下所有预测粒子的权重,当然我们在整个状态空间中只有部分粒子能够获的高权值。重采样算法去除低权值的,将下一轮滤波的考虑重点缩小到高权值粒子附近。 下面是我最后改写和精简的一个粒子滤波Matlab算法。   x

9、=0.1;%initialstateQ=1; %processnoisecovarianceR=1; %measurementnoisecovariancetf=50;%simulationlengthN=100;%numberofparticlesintheparticlefilter xhat=x;P=2;xhatPart=x; %Initializetheparticlefilter. 初始化粒子滤波,xpart值用来在不同时刻生成粒子fori=1

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。