Количество переменных состояния, заданное как скаляр. Это свойство доступно только для чтения и задано с помощью initialize. Количество состояний неявно основано на заданных матрицах для начального среднего значений частиц или границ состояния.

Количество частиц, используемых в фильтре, задается как скаляр. Каждая частица представляет гипотезу о состоянии. Вы задаете это свойство только при помощи initialize.

Функция перехода состояния, заданная как указатель на функцию, определяет переход частиц (гипотезы о состоянии) между временными шагами. Эта функция вычисляет частицы на следующем временном шаге, включая технологический шум, заданные частицы на временном шаге.

Напротив, функция перехода состояния для extendedKalmanFilter и unscentedKalmanFilter генерирует одну оценку состояния в установленный временной шаг.

Вы записываете и сохраняете функцию перехода состояния для вашей нелинейной системы и задаете ее как указатель на функцию при построении particleFilter объект. Для примера, если vdpParticleFilterStateFcn.m является функцией перехода к состоянию, задайте StateTransitionFcn как @vdpParticleFilterStateFcn. Можно также задать StateTransitionFcn как указатель на функцию для анонимной функции.

Сигнатура функции выглядит следующим образом:

function predictedParticles = myStateTransitionFcn(previousParticles,varargin)

The StateTransitionFcn функция принимает по крайней мере один входной параметр. Первый аргумент является набором частиц previousParticles который представляет гипотезы о состоянии на предыдущем временном шаге. Необязательное использование varargin функция позволяет вам вводить любые дополнительные параметры, которые релевантны для предсказания следующего состояния, используя predict, следующим образом:

predict(pf,arg1,arg2)

Если StateOrientation является 'column', затем previousParticles является NumStateVariables-by- NumParticles массив. Если StateOrientation является 'row', затем previousParticles является NumParticles-by- NumStateVariables массив.

StateTransitionFcn должен вернуть только один выход, predictedParticles, который является набором предсказанных местоположений частиц для текущего временного шага (массив с такими же размерностями, как previousParticles).

StateTransitionFcn должен включать случайный шум процесса (из любого распределения, подходящего для вашего приложения) в predictedParticles.

Чтобы увидеть пример функции перехода состояния с StateOrientation значение свойства установлено на 'column', type edit vdpParticleFilterStateFcn в командной строке.

Функция правдоподобия измерения, заданная как указатель на функцию, используется для вычисления вероятности частиц (гипотезы о состоянии) с помощью измерений датчика. Для каждой гипотезы состояния (частицы) функция сначала вычисляет вектор гипотезы измерения N-элемента. Затем вероятность каждой гипотезы измерения вычисляется на основе измерения датчика и распределения вероятностей шума измерения.

Напротив, функция измерения для extendedKalmanFilter и unscentedKalmanFilter принимает одну гипотезу состояния и возвращает одну оценку измерения.

Вы записываете и сохраняете функцию правдоподобия измерения на основе вашей модели измерения, и используете ее, чтобы создать объект. Для примера, если vdpMeasurementLikelihoodFcn.m - функция правдоподобия измерения, задайте MeasurementLikelihoodFcn как @vdpMeasurementLikelihoodFcn. Можно также задать MeasurementLikelihoodFcn как указатель на функцию для анонимной функции.

Сигнатура функции выглядит следующим образом:

function likelihood = myMeasurementLikelihoodFcn(predictedParticles,measurement,varargin)

The MeasurementLikelihoodFcn функция принимает по крайней мере два входных параметров. Первый аргумент является набором частиц predictedParticles который представляет гипотезу предсказанного состояния. Если StateOrientation является 'column', затем predictedParticles является NumStateVariables-by- NumParticles массив. Если StateOrientation является 'row', затем predictedParticles является NumParticles-by- NumStateVariables массив. Второй аргумент, measurement, является измерением датчика N-элемента на текущем временном шаге. Можно предоставить дополнительные входные параметры, используя varargin.

The MeasurementLikelihoodFcn должен вернуть только один выход, likelihood, вектор с NumParticles length, которая является вероятностью данного measurement для каждой частицы (гипотеза о состоянии).

Чтобы увидеть пример функции правдоподобия измерения, введите edit vdpMeasurementLikelihoodFcn в командной строке.

Имеют ли переменные состояния круговое распределение, заданное как логический массив.

Это свойство только для чтения, и оно задано с помощью initialize.

Округлые (или угловые) распределения используют функцию плотности вероятностей с областью значений [-pi,pi]. IsStateVariableCircular - вектор-строка с NumStateVariables элементы. Каждый векторный элемент указывает, является ли связанная переменная состояния округлой.

Параметры политики, определяющие, когда запускать повторную дискретизацию, заданные как particleResamplingPolicy объект.

Повторная дискретизация частиц является жизненно важным шагом в оценке состояний с использованием фильтра частиц. Это позволяет вам выбрать частицы на основе текущего состояния, вместо использования распределения частиц, данного при инициализации. Путем непрерывной повторной дискретизации частиц вокруг текущей оценки, вы можете получить более точное отслеживание и улучшить долгосрочную эффективность.

Можно инициировать повторную дискретизацию или через фиксированные интервалы, или динамически, основываясь на количестве эффективных частиц. Минимальное эффективное отношение частиц является мерой того, насколько хорошо текущий набор частиц аппроксимирует апостериорное распределение. Количество эффективных частиц вычисляется:

В этом уравнении N количество частиц и w - нормированный вес каждой частицы. Эффективное соотношение частиц затем _Neff / NumParticles. Поэтому эффективное соотношение частиц является функцией от весов всех частиц. После того, как веса частиц достигают достаточно низкого значения, они не вносят вклад в оценку состояния. Это низкое значение запускает повторную дискретизацию, поэтому частицы ближе к оценке текущего состояния и имеют более высокие веса.

Следующие свойства particleResamplingPolicy объект может быть изменен для управления при срабатывании повторной дискретизации:

Метод, используемый для повторной дискретизации частиц, указанный как одно из следующего:

Метод, используемый для извлечения оценки состояния из частиц, указанный как одно из следующего:

Массив значений частиц, заданный как массив на основе StateOrientation свойство:

Каждая строка или столбец соответствует гипотезе о состоянии (одна частица).

Веса частиц, заданные как вектор на основе значения StateOrientation свойство:

Оценка текущего состояния, заданная как вектор, основанная на значении StateOrientation свойство:

State является свойством только для чтения и определяется из Particles на основе StateEstimationMethod свойство. Обратитесь к StateEstimationMethod для получения дополнительной информации о том, как значение State определяется.

State наряду с StateCovariance может быть также определено с помощью getStateEstimate.

Текущая оценка ковариации ошибки расчета состояния, заданная как NumStateVariables-by- NumStateVariables массив. StateCovariance является свойством только для чтения и вычисляется на основе StateEstimationMethod. Если вы задаете метод оценки состояния, который не поддерживает ковариацию, то функция возвращается StateCovariance как [].

StateCovariance и State может быть определено вместе с помощью getStateEstimate.