先介紹概念：來自百科粒子濾波指：通過尋找一組在狀態空間中傳播的隨機樣本來近似的表示概率密度函數，再用樣本均值代替積分運算，進而獲得系統狀態的最小方差估計的過程，波動最小，這些樣本被形象的稱為“粒子”，故而叫粒子濾波。粒子濾波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集來表示概率，可以用在任何形式的狀態空間模型上。其核心思想是通過從后驗概率中抽取的隨機狀態粒子來表達其分布，是一種順序重要性采樣法(Sequential Importance Sampling)。簡單來說，粒子濾波法是指通過尋找一組在狀態空間傳播的隨機樣本對概率密度函數進行近似，以樣本均值代替積分運算，從而獲得狀態最小方差分布的過程。這里的樣本即指粒子,當樣本數量N→∝時可以逼近任何形式的概率密度分布。盡管算法中的概率分布只是真實分布的一種近似。但只要樣本的量足夠模擬現實空間的分布，一定程度的反應出現實空間的分布特點，就可以具有真實的應用性，而性能好壞都取決于選擇樣本所反應真實分布的程度。非參數化的特點，它擺脫了解決非線性濾波問題時隨機量必須滿足高斯分布的制約，能表達比高斯模型更廣泛的分布，也對變量參數的非線性特性有更強的建模能力。因此，粒子濾波能夠比較精確地表達基于觀測量和控制量的后驗概率分布，可以用于解決SLAM問題。

在我的項目中的應用：

使用的是用PF去 查找優化的線性空間。

因為空間流量是隨機的，構成的整體分布隨機，因為不符合高斯分布，所以無法找出合理的pdf（probability density function），所以只能用隨意樣本去模擬空間分布的PDF，（on academic，可以是信息傳播的分布，波形圖）。這樣近似的模擬，得到后驗概率posterior probability，PP就可以用來選擇好的模型空間，

在具體的實現過程中，基于pp值用線性探測，可以找出相對較好的空間，這是一定程度上的好的空間，同時可以防止作弊行為。

我和老大探討了一下，排序后，選取排名最大的，這樣很容易使得存在作弊行為的空間過于優化。而這樣做，一定范圍的隨機性配合空間的優勢，這樣的選取考慮到了兩方面的優勢，

如果按照中庸想法，排好序列后，掐頭去尾，去除最大的幾個，和最小的幾個，從中間范圍隨機選擇幾個，這樣，也保持了一定的隨機性。但這樣做始終無法最大限度的保持隨機性，而且最大和最小的排除并不具備絕對合理性。

所以線性搜索是非常好的。

粒子濾波的缺點

最主要的問題是需要用大量的樣本數量才能很好地近似系統的后驗概率密度。面臨的環境越復雜，描述后驗概率分 布所需要的樣本數量就越多，算法的復雜度就越高。因此，能夠有效地減少樣本數量的自適應采樣策略是該算法的重點。另外，重采樣階段會造成樣本有效性和多樣性的損失，導致樣本貧化現象。如何保持粒子的有效性和多樣性，克服樣本貧化，也是該算法研究重點。

總結

以上是生活随笔為你收集整理的粒子滤波（PF：Particle Filter）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。