对比分析EKF，UKF和PF粒子滤波的性能，该代码对认识EKF UKF和PF和有棒子，特别是粒子滤波算法

粒子滤波程序,这是用不敏变换作为重要密度函数进行采样。

粒子滤波程序,这是用不敏变换作为重要密度函数进行采样。 粒子滤波程序,这是用不敏变换作为重要密度函数进行采样。

python预测算整理集合,包含SVR回归预测详解及代码，AR/ARMA LSTM预测详解及代码 卡尔曼滤波，粒子滤波等算法

粒子滤波目标跟踪代码

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter， EKF）、粒子滤波器（Particle filter， PF）。EKF利用泰勒级数方法，将非线性问题转化到线性空间，再利用卡尔曼滤波器进行滤波，并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法，它将复杂的目标状态分布表示为一组加权值，通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布，已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验，对二者的性能进行了仿真比较，结果证明在复杂的非高斯非线性环境中，PF的性能明显优于EKF，但计算复杂，耗时长。

非常棒的粒子滤波综述，详细介绍了卡尔曼滤波到粒子滤波的演变历程。

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题，提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述，建立目标观测模型；同时粒子滤波进行状态预测，利用Bhattacharyya系数进行相似度测量，作为目标区域参考模型更新准则，实现权值更新；最后对权值归一化处理，得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性，而且在目标遮挡、光照变化等干扰下，具有较好的准确性。

本代码是基于fdf特征和颜色特征的视频运动目标跟踪，采用粒子滤波框架，根据环境变化自适应融合这两种特征，实现运动目标的跟踪，压缩包里面包含一段红外测试视频，也可以换成普通的可见光视频，代码包含详细的注释和说明，可以根据自己的需要换成其他特征以及更多特征的融合，跟踪效果非常好，可以适应各种复杂的场景。

一枚硬币，正面朝上的次数服从二项分布，可由此程序得出大量试验下投掷硬币正面向上的概率。并由matlab画图工具辨识出来