西安交大粒子滤波可能，粒子滤波比较详细的理论资料； 粒子滤波例子滤波是以贝叶斯滤波和重要性采样为基本框架的。

粒子滤波作为前期信号和数据处理的需要，能使得机器学习的数据更加精确

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率;运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性.仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16 dB时,精度提高80%以上),较好地抑制了噪声的干扰.

粒子滤波算 粒子滤波算 粒子滤波算 粒子滤波粒子滤波算算

为解决常规的基于粒子滤波的目标跟踪算法,使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,从而造成定位时间长、定位精度低的问题.采用将最新的观测值融合到采样过程中,利用粒子群优化方法实现目标的跟踪,使得采样粒子集往后验概率密度分布较大的区域移动,从而显著地降低了精确定位所需的粒子数.研究结果表明:改进后的目标跟踪算法性能更优.

闪烁噪声是一种非高斯噪声.为了提高闪烁噪声下多机动目标跟踪的精度,在交互多模型IMM(Interacting Multiple Models)算法的基础上将非线性非高斯系统滤波算法―――粒子滤波与IMM算法相结合,采用无味粒子滤波UPF(Unscented Particle Filter)代替IMM算法中各模型的卡尔曼滤波,提出了一种UPF_IMM算法,并应用该算法代替传统IMM_JPDA数据关联方法中的IMM部分,解决了闪烁噪声环境下的多目标跟踪问题,实验结果表明该算法可以明显地提高跟踪精度.

基于OpenCV的粒子滤波跟踪，有详细的中文注释，跟踪效果一般般，大家可以根据视频内容调整参数

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。

（matlab）对比UKF与PF的性能，带报告分析

自己的几个程序，关于粒子滤波的，有Matlab 的和c++的，希望对大家初步认识粒子滤波有用