PF滤波?

粒子滤波

本文是对于原文的学习与部分的转载

https://blog.csdn.net/weixin_44044161/article/details/125445579

粒子滤波是在目标跟踪中常用的一种方法

非线性条件下,贝叶斯滤波面临一个重要的问题是状态分布的表达与积分式的求解

由前面章节中的分析可以得知,对于一般的非线性系统,解析求解的途径是行不通的

在数值近似方法中,蒙特卡洛方针是一种最为通用与有效的方法

粒子滤波就是建立在蒙特卡罗仿真基础之上的,它通过利用一组带权值的系统状态采样来近似状态的统计分布。

由于蒙特卡罗仿真方法具有广泛的适用性,由此得到的粒子滤波算法也能适用于一般的非线性/非高斯系统。但是,这种滤波方法也面临几个重要问题,如有效采样(粒子)如何产生、粒子如何传递以及系统状态的序贯估计如何得到等。

非线性系统

首先我们了解到非线性的系统

由于我们得到是时间与其相关传感器信息往往是离散的,也就是其往往不是连续变化的,不能使用微分方程来表示,而使用递推公式表示
在这里插入图片描述
这就是我们所需要的递推公式
其中 x k x_k xk为k时刻的目标状态向量, z k z_k zk为k时刻的时刻量测向量
w K w_K wK v k v_k vk 分别是过程噪声序列和量测噪声序列,均为零均值高斯白噪声。
相当于我们用前一次系统的状态信息与噪声来得到本次的状态信息
由本时刻的状态信息与噪声得到量测向量

因为贝叶斯滤波的递推形式是基于非线性系统的后验概率密度,因此这里并不用假设 w k w_k wk v k v_k vk为零均值高斯白噪声,而KF、EKF、CKF、QKF等都需要假设过程,测量噪声均为高斯噪声
因此贝叶斯滤波的粒子滤波可以处理非线性非高斯的状态估计问题
贝叶斯滤波的问题就是计算对k时刻x估计的置信程度,为构造概率密度函数,在给定初始分布后从理论上看可以分为预测与更新两个步骤的递推来得到 p ( x k ∣ z k ) p(x_k|z^k) p(xkzk) 的值

递推贝叶斯滤波

1)预测
现假定k − 1 k- 1k−1时刻的概率密度函数已知,则通过将Chapman-Kolmogorov等式应用
于动态方程(1),即可预测k kk时刻状态的先验概率密度函数为
p ( x k ∣ z k − 1 ) = ∫ p ( x k ∣ x k − 1 ) p ( k − 1 ∣ z k − 1 ) d x k − 1 ) \mathbf{p}(\mathbf{x_{k}}|\mathbf{z}^{\mathbf{k}-1})=\int\mathbf{p}(\mathbf{x_{k}}|\mathbf{x_{k}}-1)\mathbf{p}(\mathbf{k}-1|\mathbf{z}^{\mathbf{k}-1})\mathbf{d}\mathbf{x_{k}}-1) p(xkzk1)=p(xkxk1)p(k1∣zk1)dxk1)
实际上,状态转移方程写为概率密度的形式即为:
在这里插入图片描述

所以我们就得到了预测的函数
2)更新
在获得 p ( x k ∣ z k − 1 ) p(x_k|z^{k-1}) p(xkzk1)的基础上,结合k时刻得到的新的量测值,基于贝叶斯公式,可以计算k 时刻状态的后验概率密度函数:
在这里插入图片描述
式子中 p ( z k ∣ z k − 1 ) p(z_k|z^{k-1}) p(zkzk1)由全概率公式得到
在这里插入图片描述
实际上这也是卡尔曼滤波的更新思想,在k时刻测量到 z k z_k zk之后,利用测量 z k z_k zk修正先验概率,进而获得当前时刻状态的后验概率

实际上各种滤波、估计就是求 p ( x k ∣ z k − 1 ) p(x_k|z^{k-1}) p(xkzk1)的一阶矩(x的估计)以及二阶矩(估计的协方)

粒子滤波PF

核心思想: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,最后将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进行过多的约束,因而在非线性非高斯动态系统中广泛应用。尽管如此,粒子滤波目前仍存在计算量过大、粒子退化等关键问题亟待突破

粒子滤波实际上是上述基于递推贝叶斯滤波的MMSE(5)估计的近似实现,而近似方法就是蒙特卡洛方法。到这里应该很多人就明白了为什么将粒子滤波都要提及贝叶斯滤波。

通常情况下选择先验分布作为重要性密度函数、即
在这里插入图片描述
对该函数取重要性权值为
在这里插入图片描述
同时需要将 w k ( i ) w_k^{(i)} wk(i)进行归一化
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/826505.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

拓展网络技能:利用lua-http库下载www.linkedin.com信息的方法

引言 在当今的数字时代,网络技能的重要性日益凸显。本文将介绍如何使用Lua语言和lua-http库来下载和提取LinkedIn网站的信息,这是一种扩展网络技能的有效方法。 背景介绍 在当今科技潮流中,Lua语言以其轻量级和高效的特性,不仅…

后端-MySQL-week11 事务

事务 简介 操作 有两种方式,一种是设置为手动提交——不执行“commit”不进行变更;另一种是手动开启一个事务,用开启事务的代码(SQL语句)来创建一个需要“commit”才能进行变更的事务 1.第一种方式 2.第二种方式 四…

线性代数基础3 行列式

行列式 行列式其实在机器学习中用的并不多,一个矩阵必须是方阵,才能计算它的行列式 行列式是把矩阵变成一个标量 import numpy as np A np.array([[1,3],[2,5]]) display(A) print(矩阵A的行列式是:\n,np.linalg.det(A))array([[1, 3],[2, …

Postman之全局变量与环境变量配置

实际开发中可能需要不停切换环境,接口中来回输入环境地址比较麻烦,故而通过定义变量来节约频繁更换测试地址所耗费的时间。Postman 允许定义自己的全局变量(Globals)与环境变量(Environment),最…

游程编码(Run-Length Encoding, RLE)的python实现

游程编码(Run-Length Encoding, RLE)的python实现 基本原理及步骤 游程编码(Run-Length Encoding, RLE),是一种简单的无损数据压缩方法,通过计数连续出现的字符来压缩数据。 主要思想是遍历输入源数据,计算连续相同字符的数量,…

Vue 指令、计算属性、侦听器

目录 指令 指令修饰符 按键修饰符 ​编辑 v-model修饰符 事件修饰符 v-bind对于样式操作的增强 操作class 对象 数组 操作style v-model应用于其他表单元素 computed计算属性 概念 基础语法 ​编辑 计算属性vs方法 computed计算属性 作用 语法 缓存特性 m…

对接浦发银行支付(五)-- 主动查询支付结果

一、背景 上一篇我们介绍了支付回调接口的对接情况,当回调出现网络等异常情况,导致用户的支付订单未及时处理或处理失败的时候,商户则需要自己主动向浦发银行发起查询支付结果。 主动查询支付结果,发挥补偿重试的重要作用&#x…

使用PHP开发体育赛事直播平台,有这些缺点和优点

"东莞梦幻网络科技"作为体育直播平台开发领域的领导者,选择使用PHP开发体育赛事直播平台的现成源码,为什么会选择该语言,背后的选择理由可以从该技术的优点和缺点中找到答案。 一、优点1、易学易用与快速开发:PHP语言语…

HTML的学习-通过创建相册WEB学习HTML-第一部分

文章目录 一、设置中文1.1、添加中文插件1.2、配置显示中文语言 二、学习开始2.1、创建项目文件夹2.2、h1标签示例:生成HTML框架示例:添加h1标签 2.3、h2标签示例:在h1标签下添加h2标签 2.4、h1标签到h6标签层次解析2.5、p标签示例&#xff1…

第2章:GO语言的基本语法

第一部分:GO语言基础 第2章:GO语言的基本语法 在安装和配置好GO语言开发环境之后,本章将带你了解GO语言的基本语法。掌握基本语法是学习任何编程语言的第一步,它将帮助你构建结构良好的代码,并理解GO语言的工作原理。…

怎么把网页上的文字变小?

以下是针对常见浏览器的说明: ### Google Chrome: 1. 打开 Chrome 浏览器并导航到您想要调整文字大小的网页。 2. 在页面上右键单击空白处,然后选择 "检查" 或按下 CtrlShiftI(在 Windows 或 Linux 上)或 Co…

Spark-机器学习(3)回归学习之线性回归

在之前的文章中,我们了解我们的机器学习,了解我们spark机器学习中的特征提取和我们的tf-idf,word2vec算法。想了解的朋友可以查看这篇文章。同时,希望我的文章能帮助到你,如果觉得我的文章写的不错,请留下你…

通过Redis实现一个异步请求-响应程序

在分布式系统中,经常需要不同的服务或组件之间进行通信和协作。传统的同步请求-响应模式虽然简单直观,但可能会导致阻塞和性能问题。为了解决这个问题,我们开发了一个基于 Redis 的异步请求-响应程序,实现了请求和响应的解耦,提高了系统的并发性和响应能力。 程序概述 该程序…

C语言优先级表格(速查)

优先级表格 优先级 运算符 描述综合性1++ --后缀自增与自减从左向右( )函数调用[ ]数组下标.结构体与联合体成员访问->结构体与联合体成员通过指针访问( type ) { list }复合字面…

STL-vector类的使用及其模拟实现

在C中,vector是标准模板库(STL)中的一种动态数组容器,它可以存储任意类型的元素,并且能够自动调整大小。vector提供了许多方便的成员函数,使得对数组的操作更加简单和高效。 vector的使用 vector的构造函数…

【K8S系列】深入解析K8S中PV 和PVC

在 Kubernetes 中,PV(持久卷)和 PVC(持久卷声明)之间的关系是一种动态匹配和绑定关系,用于实现 Pod 与存储资源的解耦。 一、概念介绍 1.1 PV(持久卷): PV 是集群中的一…

机器学习-聚类算法

简介 本文主要内容: 聚类分析所涉及到的所有方面 和 经典划分聚类:K-means算法及其在python中的运用实例 补充介绍的内容包括:sklearn.datasets numpy.ndarray sklearn.cluster matplotlib.pyplot.scatter 聚类分析概述 聚类分析是无监督…

第23天:安全开发-PHP应用后台模块SessionCookieToken身份验证唯一性

第二十三天 一、PHP后台身份验证模块实现 二、Cookie&Session技术&差异 1.生成cookie的原理图过程:见上图 客户端向服务器发送HTTP请求。服务器检查请求头中是否包含cookie信息。如果请求头中包含cookie信息,则服务器使用该cookie来识别客户端…

Swift中枚举的高级用法

Swift中的枚举(Enum)可以有一些高级用法,以下是一些常见的用法: 1.关联值(Associated Values):枚举的成员可以关联一个或多个值。这样可以给枚举成员提供更多的信息,并且可以根据不…

ICLR 2024 | FTS-Diffusion: 用于合成具有不规则和尺度不变模式的金融时间序列的生成框架

ICLR 2024 | FTS-Diffusion: 用于合成具有不规则和尺度不变模式的金融时间序列的生成框架 原创 QuantML QuantML 2024-04-17 09:53 上海 Content 本文提出了一个名为FTS-Diffusion的新颖生成框架,用于模拟金融时间序列中的不规则和尺度不变模式。这些模式由于其独…