《粒子滤波算法原理及Matlab程序(专题).ppt》可供会员共享，在线阅读。 更多相关《粒子滤波算法原理及Matlab程序(专题).ppt(18页珍藏版)》请在人人文库网搜索。
1、粒子滤波算法原理及Matlab程序，发布：牙牛娃QQ :345194112，1、粒子滤波发展历史，90年代初，Gordon、Salmond、Smith 90年中期，计算机计算能力的提高近年来的新技术，EPF、UPF、RBPF等新应用领域：目标定位与跟踪、图像处理、语音处理、故障检测、经济数据处理、2、蒙特卡罗原理、粒子滤波技术使蒙特卡罗用实验模拟的方法解决复杂积分计算问题抛硬币实验(1)投均匀硬币，正面抛硬币
2、function cion_throw_test1 p=0.3； %面向正面的概率m=1000； %实验次数fun(p，m )； %修改不同p，m值functionfun(p，mm ) pro=Zeros(1，mm )； Randnum=BinoRnD(1，p，1，mm )； %遵循二元分布a=0，2、蒙特卡罗原理、蒙特卡罗应用、应用说明：采用蒙特卡罗模拟计算圆周率的方法解决。假设平面上有无数条距离为1的等距离平行线，现向该平面随机投出长度为l的针(l1 )，计算出该针与任一平行线相交的概率。 在此，随机投针是指针的中心点与最近的平行线的距离x均匀分布在区间0中。
在3，1/2上，针和平行线所成的角，无论相交还是不相交，都均匀分布在区间0，上。 此时，针与线相交的装料条件为：面线相交的概率为：2、蒙特卡罗，% %说明：用蒙特卡罗模拟计算圆周率% function buffon_test l=0.6； m=10000； %实验次数Buffon(L，m )； % function piguji=buffon (% llength，mm ) llength为针长%mm为随机实验次数frq=0； xrandnum=unifr nd (0，0.5，1，mm )； phi=unifrnd(0，pi，1，mm )； forii=1:mmif(xrandnum。
4、(1，ii )=) Llength*sin ) phi(1，ii )/2 ) frq=frq 1； endendpiguji=2*llength/(FRQ/mm )实验结果如下： 3、粒子滤波的原理、粒子滤波中目前存在残差重采样(Residual resampling ) 多项式重采样(Multinomial resampling )的四种基本重采样方法：系统重采样(Systematic resampling )、随机重采样(random resampling )、他们的、3、粒子滤波原理，随机重采样，运行仿真程序，得到以下仿真结果。 图中上部为程序给出的w随机样本。
在5，下面的部分是通过随机采样获得的v样本的集合。 从接线关系可以看出，w样本集中的第二个样本被复制一次，第三个样本被复制两次，第七个样本被复制两次，第八个样本被复制一次，第九个样本被复制两次，w中的一个被复制、4、粒子滤波在单目标跟踪中的应用，状态方程：观测方程：噪声模型： q、r、4、纯方位角单目标跟踪、纯方位跟踪系统仿真程序% %程序说明：基于单目标角度的跟踪系统
6、T=1； %采样周期M=30； %采样点数delta_w=1e-4； %过程噪声调整参数，设置得越大，目标运行机动性越大，轨迹随机(乱) q=Delta_w*Diag ) 0.5、1、0.5、1 )； %工艺噪声平均方差R=pi/180*0.1； %观测角度平均方差，小于0.1的F=1、t、0、0； 0，1，0，0； 0，0，1，t； 0，0，0，1； %系统初始化% Length=100； %目标运动的站点空间Width=100； %观测站位置立即为Node.x=Width*rand； Node.y=Length*rand；5、粒子滤波在多目标跟踪中的应用。
7、多目标跟踪系统状态方程观测方程、5、粒子滤波在多目标跟踪中的应用、近邻法分类、5、粒子滤波在多目标跟踪中的应用、 邻居法分类程序% %函数功能：假设邻居法分类程序% function neighbour _ classify _ exam2%初始化数据Type=3 %已知三种目标%随机生成m个样本点M=30 %站点空间的长度和大小Width=4； 长度=4； % %初始化样本，并模拟样本空间fori=1:类型x0=10 * cos (pi *2* I/3 )； y0=10*sin(pi*2*I/3 )； XXi=x0，y0； %已知类别的示例集合for j=1:
8、模拟M %实际样本的空间位于类空间的位置
Xi(:,j)=x0+Width*randn;y0+Length*randn; end End ,5、粒子滤波在多目标跟踪的应用,基于近邻法的多目标跟踪粒子滤波程序 % % 单站多目标跟踪的建模程序，并用近邻法分类 % 主要模拟多目标的运动和观测过程，涉及融合算法-近邻法 function MTT_Model_With_NNClass_PF_SingleStation % % 初始化参数 % 观测站位置，随机的 T=10; % 仿真时间长度 TargetNum=3; % 目标个数 dt=1; % 采样时间间隔 S.x=100*rand; % 观测站水。9、平位置 S.y=100*rand; % 观测站纵向位置 F=1,dt,0,0;0,1,0,0;0,0,1,dt;0,0,0,1; % 采用CV模型的状态转移矩阵 G=0.5*dt2,0;dt,0;0,0.5*dt2;0,dt; % 过程噪声驱动矩阵 H=1,0,0,0;0,0,1,0; % 观测矩阵,跟踪误差,跟踪轨迹,5、粒子滤波在电池寿命预测中的应用,状态方程 观测方程 原始实验数据(右图),5、粒子滤波在电池寿命预测中的应用,程序清单 % % 函数功能：粒子滤波用于电源寿命预测 function main % % 初始化 load Battery_Capacity % 运行程序时需要将B。
10、attery_Capacity.mat文件拷贝到程序所在文件夹 N=length(A12Cycle); % cycle的总数 M=200; % 粒子总数目 Future_Cycle=100; % 未来趋势 if N260 N=260; % 滤除大于260以后的数字 end,参考资料,目 录 第一部分 原理篇 1 第一章 概述 1 1.1 粒子滤波的发展历史 1 1.2 粒子滤波的优缺点 2 1.3 粒子滤波的应用领域 3 第二章 蒙特卡洛方法 4 2.1 概念和定义 4 2.2 蒙特卡洛模拟仿真程序 5 2.2.1硬币投掷实验(1) 5 2.2.2硬币投掷实验(2) 5 2.2.3古典概率实验。
11、 6 4.2.4几何概率模拟实验 7 2.2.5复杂概率模拟实验 7 2.3 蒙特卡洛理论基础 10 2.3.1大数定律 10 2.3.2中心极限定律 10 2.3.3蒙特卡洛的要点 11 2.4 蒙特卡洛方法的应用 13 2.4.1 Buffon实验及仿真程序 13 2.4.2 蒙特卡洛方法计算定积分的仿真程序 14 第三章 粒子滤波 19 3.1 粒子滤波概述 19 3.1.1 蒙特卡洛采样原理 19 3.1.2 贝叶斯重要性采样 20 3.1.3 序列重要性抽样(SIS)滤波器 20 3.1.4 Bootstrap/SIR滤波器 22 3.2 粒子滤波重采样方法实现程序 23 3.2.1。
12、 随机重采样程序 24 3.2.2 多项式重采样程序 25 3.2.3 系统重采样程序 26 3.2.4 残差重采样程序 27 3.3 粒子滤波原理 28 3.3.1 高斯模型下粒子滤波的实例程序 28,参考资料,第二部分 应用篇 33 第四章 粒子滤波在单目标跟踪中的应用 33 4.1 目标跟踪过程描述 33 4.2 单站单目标跟踪系统建模 34 4.3 单站单目标观测距离的系统及仿真程序 37 4.3.1 基于距离的系统模型 37 4.3.2 基于距离的跟踪系统仿真程序 38 4.4 单站单目标纯方位角度观测系统及仿真程序 43 4.4.1 纯方位目标跟踪系统模型 43 4.4.2 纯方位。
13、跟踪系统仿真程序 44 4.5 多站单目标纯方位角度观测系统及仿真程序 47 4.5.1 多站纯方位目标跟踪系统模型 47 4.5.2 多站纯方位跟踪系统仿真程序 48 第五章 粒子滤波在多目标跟踪中的应用 54 5.1 多目标跟踪系统建模 54 5.1.1 单站多目标跟踪系统建模 54 5.1.2 多站多目标跟踪系统建模 55 5.1.3 单站多目标线性跟踪系统的建模仿真程序 55 5.1.4 多站多目标非线性跟踪系统的建模仿真程序 57 5.2 多目标跟踪分类算法 61 5.2.1 多目标数据融合概述 61 5.2.2 近邻法分类算法及程序 62 5.2.3 近邻法用于目标跟踪中的航迹关联及算法程序 66 5.2.4 K-近邻法分类算法 69 5.3 粒子滤波用于多目标跟算法中的状态估计 70 5.3.1 原理介绍 70 5.3.2 基于近邻法的多目标跟踪粒子滤波程序 71 第六章 粒子滤波在电池寿命预测中的应用 76 6.1 概述 76 6.2 电池寿命预测的模型 78 6.3 基于粒子滤波的电池寿命预测仿真程序 81,谢谢大家。