第3章 粒子滤波方法第3章 粒子滤波方法3.1 引言3.2 贝叶斯滤波3.3 贝叶斯重要性采样3.4 序贯重要性重采样粒子滤波算法3.5 马尔可夫链蒙特卡罗粒子滤波算法3.6 辅助粒子滤波算法3.7 正则化粒子滤波算法3.8 边缘粒子滤波算法3.9 扩展卡尔曼粒子滤波算法3.10 高斯和粒子滤波算法3.11 小结第3章 粒子滤波方法3.1 引 言粒子滤波是指通过寻找一组在状态空间中传播的随机样本，对概率密度函数p(xk|yk)进行近似，以样本均值代替积分运算，从而获得状态的最小方差估计的一种算法。粒子滤波算法依据系统状态向量的先验分布在状态空间中产生一组随机样本，然后根据观测量不断地调整粒子的权值和位置，通过调整后的粒子信息修正最初的后验概率函数。用数学语言可描述为：针对平稳的时变系统，假定k1时刻系统的后验概率密度为p(xk1|yk1)，依据一定规则选取N个随机样本点，在k时刻获得量测信息后, 经过状态更新和时间更新过程, N个粒子的后验概率密度近似为p(xk|yk), 随着粒子数的增加，粒子的概率密度函数就能逼近状态真实的概率密度函数，对状态向量的估计结果与最优贝叶斯估计结果接近。
