Это свойство доступно только для чтения.

Количество переменных состояния, заданное как скаляр. Это свойство устанавливается на основе входов в initialize способ. Количество состояний неявно основано на заданных матрицах для начального состояния и ковариации.

Это свойство доступно только для чтения.

Количество частиц, используемых в фильтре, заданное как скаляр. Вы можете задать это свойство только путем вызова initialize способ.

Функция обратного вызова для определения перехода состояния между шагами фильтра частиц, заданная как указатель на функцию. Функция перехода состояния развивает состояние системы для каждой частицы. Сигнатура функции:

function predictParticles = stateTransitionFcn(pf,prevParticles,varargin)

Функция обратного вызова принимает как минимум два входных параметров: stateEstimatorPF объект, pfи частицы на предыдущем временном шаге, prevParticles. Эти заданные частицы являются predictParticles возвращен из предыдущего вызова объекта. predictParticles и prevParticles одинаковые размеры: NumParticles-by- NumStateVariables.

Можно также использовать varargin для передачи в переменном количестве аргументов из predict функция. Когда вы звоните:

predict(pf,arg1,arg2)

MATLAB^® по существу вызывает stateTranstionFcn как:

stateTransitionFcn(pf,prevParticles,arg1,arg2)

Функция обратного вызова, вычисляющая вероятность измерений датчика, заданная как указатель на функцию. Когда измерение датчика доступно, эта функция обратного вызова вычисляет вероятность того, что измерение соответствует гипотезе о состоянии каждой частицы. Вы должны реализовать эту функцию на основе вашей модели измерения. Сигнатура функции:

function likelihood = measurementLikelihoodFcn(PF,predictParticles,measurement,varargin)

Функция обратного вызова принимает по крайней мере три входных параметров:

Можно также использовать varargin для передачи переменного количества аргументов. Эти аргументы передаются correct функция. Когда вы звоните:

correct(pf,measurement,arg1,arg2)

MATLAB по сути вызывает measurementLikelihoodFcn как:

measurementLikelihoodFcn(pf,predictParticles,measurement,arg1,arg2)

Коллбэк должен вернуть только один выход, likelihood, что является вероятностью данного measurement для каждой гипотезы о состоянии частиц.

Индикатор, имеют ли переменные состояния круговое распределение, заданное как логический массив. Округлые (или угловые) распределения используют функцию плотности вероятностей с областью значений [-pi,pi]. Если объект имеет несколько переменных состояния, то IsStateVariableCircular является вектор-строка. Каждый векторный элемент указывает, является ли связанная переменная состояния округлой. Если у объекта только одна переменная состояния, то IsStateVariableCircular является скаляром.

Параметры политики, определяющие, когда запускать повторную дискретизацию, заданные как объект. Можно инициировать повторную дискретизацию или через фиксированные интервалы, или можно инициировать ее динамически, основываясь на количестве эффективных частиц. См. resamplingPolicyPF для получения дополнительной информации.

Метод, используемый для повторной дискретизации частиц, указанный как 'multinomial', 'residual', 'stratified', и 'systematic'.

Метод, используемый для оценки состояния, задается как 'mean' и 'maxweight'.

Массив значений частиц, заданный как NumParticles-by- NumStateVariables матрица. Каждая строка соответствует гипотезе о состоянии одной частицы.

Веса частиц, заданные как NumParticles-by-1 вектор. Каждый вес связан с частицей в одной строке в Particles свойство.

Это свойство доступно только для чтения.

Лучшая оценка состояния, возвращенная как вектор с NumStateVariables длины. Оценка извлекается на основе StateEstimationMethod свойство.

Это свойство доступно только для чтения.

Скорректированное системное отклонение, возвращенная как N -by - N матрица, где N равно NumStateVariables свойство. Исправленное состояние вычисляется на основе StateEstimationMethod свойство и MeasurementLikelihoodFcn. Если вы задаете метод оценки состояния, который не поддерживает ковариацию, то свойство устанавливается на [].