机器人的各种滤波算法，包括贝耶斯公式，卡尔曼，粒子滤波等。

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

4、纯方位角单目标跟踪 纯方位跟踪系统仿真程序 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 程序说明： 单站单目标基于角度的跟踪系统，采用粒子滤波算法 % 状态方程 X（k+1）=F*X(k)+Lw(k) % 观测方程 Z（k）=h（X）+v（k） function main %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 初始化参数 clear; T=1; % 采样周期 M=30; % 采样点数 delta_w=1e-4; % 过程噪声调整参数，设得越大，目标运行的机动性越大，轨迹越随机（乱） Q=delta_w*diag([0.5,1,0.5,1]) ; % 过程噪声均方差 R=pi/180*0.1; % 观测角度均方差，可将0.1设置的更小 F=[1,T,0,0;0,1,0,0;0,0,1,T;0,0,0,1]; %%%%%%%%%%%%%%% 系统初始化 %%%%%%%%%%%%%%%%%% Length=100; % 目标运动的场地空间 Width=100; % 观测站的位置随即部署 Node.x=Width*rand; Node.y=Length*rand;

多目标跟踪的英文资料，基于粒子滤波的，有兴趣的可以参考一下，互相学习

粒子滤波算法综述.doc

针对粒子滤波跟踪算法计算量较大,需要在跟踪准确性与计算效率之间做出妥协的问题,分析了粒子滤波算法的并行性,提出了基于图像处理单元(GPU)平台的粒子滤波并行算法.将传统粒子滤波算法与GPU 有效结合起来,充分利用GPU并行运算的性能,加快粒子滤波算法的计算速度.对所提出算法的计算性能与普通串行算法进行了对比,实验结果表明该算法在不降低跟踪准确性的同时,平均每帧处理时间显著减少.

粒子滤波跟踪算法简介PPT.ppt

粒子滤波原理及应用-MATLAB仿真黄小平版随书所有MATLAB源代码

Rao-Blackwellized 型粒子滤波器 提出了一种新的算法来跟踪数量未知的目标，这种新算法是基于Rao-Blackwellized 粒子滤波法的。该算法通过提出概率随机过程模型来描述目标状态、目标数据关联以及目标出现和消亡的过程。

非常适合初学者 里面主要是进行了粒子滤波 卡尔曼滤波的比较 以及进行了均方差的性能比较 希望对大家有点小帮助