粒子滤波算法原理及Matlab程序专题课件

粒子滤波算法原理及Matlab程序QQ:3451941121、粒子滤波的发展历史90年代初，Gordon、Salmond、和Smith所提出的重采样（Resampling）技术。90年中期，计算机的计算能力的提高近年来的新技术，EPF、UPF、RBPF等新的应用领域：目标定位和跟踪、图像处理、语音处理、故障检测、经济数据处理2、蒙特卡洛原理粒子滤波技术是以蒙特卡洛为基础的蒙特卡洛：用实验模拟的方法解决复杂的积分计算问题硬币投掷实验（1）掷一枚均匀硬币，正面朝上的次数X服从参数为１，p的二项分布,X~B(1,p)在Matlab中编辑.m文件输入以下命令：functioncion_throw_test1p=0.3;%正面朝上的概率m=1000;%实验次数fun(p,m);%修改不同的p,m值functionfun(p,mm)pro=zeros(1,mm);randnum=binornd(1,p,1,mm);%服从二项分布a=0;2、蒙特卡洛%%%%%%%%%%%%%%%%%%%%%%%%%%说明：利用蒙特卡洛模拟计算圆周率%%%%%%%%%%%%%%%%%%%%%%%%%functionbuffon_testl=0.6;m=10000;%实验次数buffon(l,m);%%%%%%%%%%%%%%%%%%%%%%%%%functionpiguji=buffon(llength,mm)%llength是针的长度%mm是随机实验次数frq=0;xrandnum=unifrnd(0,0.5,1,mm);phi=unifrnd(0,pi,1,mm);forii=1:mmif(xrandnum(1,ii)<=(llength*sin(phi(1,ii))/2))frq=frq+1;endendpiguji=2*llength/(frq/mm)实验结果如下：3、粒子滤波原理粒子滤波目前有四大基本的重采样方法，分别是残差重采样（Residualresampling），多项式重采样（Multinomialresampling），系统重采样（Systematicresampling），随机重采样（randomresampling），关于他们的原理，读者可以到网上检索相关的论文。3、粒子滤波原理随机重采样执行仿真程序，得到以下仿真结果，图中上部就是程序中给定的W随机样本，而下部分是由随机采样得到的V样本集合。从连线关系可以看出，W样本集中的第2个样本被复制一次，第3个样本被复制2次，第7个样本被复制2次，第8个样本被复制1次，第9个样本被复制2次，……，W中除了被复制的样本外，其他样本被舍弃，这就是“优胜劣汰”的思想。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：单站单目标基于角度的跟踪系统，采用粒子滤波算法%状态方程X（k+1）=F*X(k)+Lw(k)%观测方程Z（k）=h（X）+v（k）functionmain%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%初始化参数clear;T=1;%采样周期M=30;%采样点数delta_w=1e-4;%过程噪声调整参数，设得越大，目标运行的机动性越大，轨迹越随机（乱）Q=delta_w*diag([0.5,1,0.5,1]);%过程噪声均方差R=pi/180*0.1;%观测角度均方差，可将0.1设置的更小F=[1,T,0,0;0,1,0,0;0,0,1,T;0,0,0,1];%%%%%%%%%%%%%%%系统初始化%%%%%%%%%%%%%%%%%%Length=100;%目标运动的场地空间Width=100;%观测站的位置随即部署Node.x=Width*rand;Node.y=Length*rand;5、粒子滤波在多目标跟踪中的应用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functionMTT_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*dt^2,0;dt,0;0,0.5*dt^2;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functionmain%%%%%%%%%%%%%%%%%%%%%初始化loadBattery_Capacity%运行程序时需要将Battery_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ifN>260N=260;%滤除大于260以后的数字end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 334.1目标跟踪过程描述 334.2单站单目标跟踪系统建模 344.3单站单目标观测距离的系统及仿真程序 374.3.1基于距离的系统模型 374.3.2基于距离的跟踪系统仿真程序384.4单站单目标纯方位角度观测系统及仿真程序 434.4.1纯方位目标跟踪系统模型 434.4.2纯方位跟踪系统仿真程序 444.5多站单目标纯方位角度观测系统及仿真程序 474.5.1多站纯方位目标跟踪系统模型 474.5.2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 545.1多目标跟踪系统建模 545.1.1单站多目标跟踪系统建模 545.1.2多站多目标跟踪系统建模 555.1.3单站多目标线性跟踪系统的建模仿真程序 555.1.4多站多目标非线性跟踪系统的建模仿真程序 575.2多目标跟踪分类算法 615.2.1多目标数据融合概述 615.2.2近邻法分类算法及程序 625.2.3近邻法用于目标跟踪中的航迹关联及算法程序 665.2.4K-近邻法分类算法 695.3粒子滤波用于多目标跟算法中的状态估计 705.3.1原理介绍 705.3.2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