目标跟踪系列-滤波-4.粒子滤波及重采样方法

2023-10-25 21:10

本文主要是介绍目标跟踪系列-滤波-4.粒子滤波及重采样方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

滤波算法大全

1.核心思想

       粒子滤波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(PF)原理详解

2.算法步骤

       Step 1: 根据p(xk-1)采样得到N个粒子xk-1(i) ∼p(xk-1)
    Step 2: 根据状态转移函数计算产生新的粒子为xk(i)
    Step 3: 计算重要性权值wk(i)   
    Step 4: 归一化重要性权值
    Step 5: 使用重采样方法对粒子进行重采样
    Step 6: 对新产生的粒子加权得到k时刻的后验状态估计

在这里插入图片描述

3.粒子滤波matlab代码

% x为采样粒子,w为粒子权重,action为运动量,observation 为观测值
function [ x,w ] = particleFilter( x,w, action, observation )global Beta;M = size(x,1);[x] = motionModel( x , action );% Motion modelWt = observationLikelihood(x,observation); % Observation Modelw = w .* Wt;w = w ./ sum(w);% Normalize the weights:ESS_before = ESS(w);if ( ESS_before < Beta*M ) % Resample?indx = resample(w);% Find the indexes for the resample:x(:,:) = x(indx,:); % Duplicate particles & set equal weights:w = ones(M,1)./M;end
endfunction [ ess ] = ESS( w )
M = size(w,1);
cv = sum( ( w.*M - 1 ).^2 ) / M;
ess = 1 / ( 1 + cv );
end

4.重要性采样(importance sampling)

重要性采样,Importance Sampling (重要性采样)介绍

5.序列重要性采样

基于序贯重要性重采样的粒子滤波and(RBPF)

6.重采样

       重采样主要是为了解决经典蒙特卡洛方法中出现的粒子匮乏现象。其主要思想是对粒子和其相应的权值表示的概率密度函数重新进行采样。通过增加权值较大粒子和减少权值较小粒子来实现。重采样虽然可以改善粒子匮乏现象,但也降低了粒子的多样性。

6.1.随机重采样仿真代码matlab

function randomR_tes%随机采样方法N=10; %粒子数目A=[2,8,2,7,3,5,5,1,4,6]; %拟定的数据集,如果可以的话,可以使用随机函数生成W=A./sum(A);%根据不同的占比值重新分配随机层的权重OutIndex=randomR(W);NewA=A(OutIndex);% matlab绘图figuresubplot(2,1,1);plot(A,'--ro','MarkerFace','g');axis([1,N,1,N]);subplot(2,1,2);plot(NewA,'--ro','MarkerFace','g');axis([1,N,1,N]);function outIndex = randomR(weight) % 随机采样函数L=length(weight);outIndex=zeros(1,L);        u=unifrnd(0,1,1,L);%产生随机分布,完全均匀   u=sort(u);cdf=cumsum(weight); %计算粒子的权重累计函数cdfi=1;for j=1:L %核心计算while (i<=L)&&(u(i)<=cdf(j))outIndex(i)=j;% 粒子复制i=i+1;% 迭代考察各个随机分层endend
end
end

6.2.重采样准测

       重采样过程中一般选取一些准则来判断有效粒子的个数,通过这个个数来判断是否进行重采样。一般的判断准则为:
在这里插入图片描述

       其中Neff为有效粒子个数,表示粒子权值,N为粒子个数。通过将Neff与预先设定的个数进行比较来决定是否重采样。一般Neff<2/3*N时候进行重采样。

function w_new=resample_particles1(w)
w_new=w;
Neff=1/sum(w.*w);
N=length(w);
if Neff<75 %75为预先设定阈值for i = 1 : Nu = rand; qtempsum = 0;for j = 1 : Nqtempsum = qtempsum + w(j);if qtempsum >= uw_new(i)=w(j);break;endendend
end

6.3.四种常用的重采样算法

       四种常用的重采样算法:简单随机重采样,分层重采样,系统重采样和残余重采样。

6.3.1.简单随机重采样
function [ indx ] = resampleMultinomial( w )
% 简单随机重采样
M = length(w);
Q = cumsum(w); %cdf函数
Q(M)=1; % Just in case...i=1;
while (i<=M)sampl = rand(1,1);  % (0,1]j=1;while (Q(j)<sampl)j=j+1;endindx(i)=j;i=i+1;
end
6.3.2.残差重采样
function [ indx ] = resampleResidual( w )
% 残差重采样
M = length(w);
Ns = floor(M .* w);% "Repetition counts" (plus the random part, later on):
R = sum( Ns );% The "remainder" or "residual" count:
M_rdn = M-R;% The number of particles which will be drawn stocastically:
Ws = (M .* w - floor(M .* w))/M_rdn;% The modified weights:% Draw the deterministic part:
i=1;
for j=1:Mfor k=1:Ns(j)indx(i)=j;i = i +1;end
end% And now draw the stocastic (Multinomial) part: 
Q = cumsum(Ws);
Q(M)=1; % Just in case...
while (i<=M)sampl = rand(1,1);  % (0,1]j=1;while (Q(j)<sampl)j=j+1;endindx(i)=j;i=i+1;
end
6.3.3.分层采样
function [ indx ] = resampleStratified( w )
% 分层采样
N = length(w);
Q = cumsum(w);
for i=1:NT(i) = rand(1,1)/N + (i-1)/N;
end
T(N+1) = 1;
i=1;
j=1;
while (i<=N)if (T(i)<Q(j))indx(i)=j;i=i+1;elsej=j+1;        end
end
6.3.4.系统重采样
function [ indx ] = resampleSystematic( w )
% 系统重采样
N = length(w);
Q = cumsum(w);
T = linspace(0,1-1/N,N) + rand(1)/N;
T(N+1) = 1;
i=1;
j=1;
while (i<=N)if (T(i)<Q(j))indx(i)=j;i=i+1;elsej=j+1;        end
end

7.粒子滤波仿真完整代码下载

粒子滤波的重采样方法:四种重采样方法(Multinomial、Residual、Stratified和Systematic)的实…

8.参考网址:

粒子滤波 particle filter (PF) 的理论及实践(matlab版)
粒子滤波-从重要性采样(IS)到序列重要性采样(SIS)再到序列重要性重采样(SIR)

这篇关于目标跟踪系列-滤波-4.粒子滤波及重采样方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/285211

相关文章

判断PyTorch是GPU版还是CPU版的方法小结

《判断PyTorch是GPU版还是CPU版的方法小结》PyTorch作为当前最流行的深度学习框架之一,支持在CPU和GPU(NVIDIACUDA)上运行,所以对于深度学习开发者来说,正确识别PyTor... 目录前言为什么需要区分GPU和CPU版本?性能差异硬件要求如何检查PyTorch版本?方法1:使用命

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理(处理粘包/拆包)3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》:本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价... 在前端的开发过程中,经常在html页面通过AJAX进行前后端数据的交互,SpringMVC的controll

Java中的工具类命名方法

《Java中的工具类命名方法》:本文主要介绍Java中的工具类究竟如何命名,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Java中的工具类究竟如何命名?先来几个例子几种命名方式的比较到底如何命名 ?总结Java中的工具类究竟如何命名?先来几个例子JD

Spring Security自定义身份认证的实现方法

《SpringSecurity自定义身份认证的实现方法》:本文主要介绍SpringSecurity自定义身份认证的实现方法,下面对SpringSecurity的这三种自定义身份认证进行详细讲解,... 目录1.内存身份认证(1)创建配置类(2)验证内存身份认证2.JDBC身份认证(1)数据准备 (2)配置依

python获取网页表格的多种方法汇总

《python获取网页表格的多种方法汇总》我们在网页上看到很多的表格,如果要获取里面的数据或者转化成其他格式,就需要将表格获取下来并进行整理,在Python中,获取网页表格的方法有多种,下面就跟随小编... 目录1. 使用Pandas的read_html2. 使用BeautifulSoup和pandas3.

Spring 中的循环引用问题解决方法

《Spring中的循环引用问题解决方法》:本文主要介绍Spring中的循环引用问题解决方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录什么是循环引用?循环依赖三级缓存解决循环依赖二级缓存三级缓存本章来聊聊Spring 中的循环引用问题该如何解决。这里聊

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

Windows 上如果忘记了 MySQL 密码 重置密码的两种方法

《Windows上如果忘记了MySQL密码重置密码的两种方法》:本文主要介绍Windows上如果忘记了MySQL密码重置密码的两种方法,本文通过两种方法结合实例代码给大家介绍的非常详细,感... 目录方法 1:以跳过权限验证模式启动 mysql 并重置密码方法 2:使用 my.ini 文件的临时配置在 Wi