粒子滤波算法

《粒子滤波算法》由会员分享，可在线阅读，更多相关《粒子滤波算法（15页珍藏版）》请在金锄头文库上搜索。

1、粒子滤波算法粒子滤波算法刘凯刘凯主要内容p问题基本模型问题基本模型p蒙特卡罗方法蒙特卡罗方法粒子滤波粒子滤波重要性抽样重要性抽样p退化问题退化问题重要性函数的选取重要性函数的选取重抽样重抽样p粒子滤波算法的框架结构图粒子滤波算法的框架结构图p应用实例应用实例状态方程：观测方程：状态空间模型观测信号；状态信号观测方程状态方程 i.i.d. 观测噪声i.i.d. 状态噪声问题：在已知，的解析形式以及分布特性的条件下，利用问题基本模型问题基本模型递推估计后验分布以及它的相关特性 贝叶斯迭代贝叶斯迭代联合后验分布联合后验分布 条件后验分布条件后验分布 由于中间包含有高维积分问题，该递推关系只有理论上的

2、意义，无法直接应用！ 主要思想主要思想 利用从所求分布中得到的大量样本点来近似这个分布，从而把积分问题转换为求和问题。可以估计表示为从分布随机蒙特卡罗方法随机蒙特卡罗方法抽样得到粒子：的无偏估计为在解决滤波问题的时候，随机蒙特卡罗方法习惯称为粒子滤波方法粒子滤波方法蒙特卡罗方法蒙特卡罗方法确定蒙特卡罗方法确定蒙特卡罗方法基本思想基本思想是利用数值积分方法解决积分问题。自由选取时最高精度可以达到2n-1阶 高斯积分高斯积分 对给定积分区间及权函数，由Schemite正交化过程求出正交多项式 求出 的n个零点 ，这n个零点就是具有2n-1阶代数精度的高斯积分的积分节点。 计算积分系数 重要性抽样

3、当不能直接利用产生粒子时，可用另一个分布函数称为重要性函数，间接产生粒子并且给粒子分配权值为：被称为重要性权值。归一化得 的无偏估计为序贯重要性抽样序贯重要性抽样利用u 所选择重要性函数能分解为：u 利用产生新抽样形成新粒子u 更新重要性权值递推估计退化问题退化问题问题根源 样本点从重要性函数中产生，存在偏差问题现象 经过若干次迭代，重要性权重的方差会越来越大，大部分重要性权重会变得非常小直到变为0，而小部分权重会变得特别大 问题产生后果 导致大部分轨道退化，轨道点不能很有效的代表当前后验分布 重要性函数的选取重要性函数的选取条件后验分布 重要性函数 时，上式方差为0，也就是在条件下 为最优重

4、要性函数，对应有 存在问题存在问题从抽样比较困难 重要性权重中不易求得 先验重要性函数先验重要性函数 选取先验分布 作为重要性函数，对应有 优缺点没有考虑到观测信号这一部分先验知识 根据状态方程，重要性函数的抽取很容易实现，而且重要性权重的迭代计算上也没有困难 重抽样基本思想 抛弃那些重要性权重很小的轨道点，而复制重要性权重大的轨道点来替代它们根据多项式分布 进行抽样得到新的M个粒子轨道。为重抽样前的重要性权重 具体实现：多项式重抽样 退化程度衡量引入有效粒子数衡量算法的退化程度，然后根据无法很准确的计算它，可以用下式估计 它来决定何时进行重抽样 ，定义为 粒子滤波算法的框架结构图粒子滤波算法的框架结构图 应用实例应用实例粒子滤波作为近年来兴起的一种新的非线性信号处理技术，能方便有效地计算目标状态和未知参数的联合后验分布，该方法已经被广泛地应用于目标跟踪、盲均衡、盲检测、信道估计等问题中。 混沌信号处理 其中 为混沌映射，当系统参数为混合混沌信号，处于混沌区域时 为混沌信号。谢谢谢谢！