知识卡片
粒子滤波与样本贫化
粒子滤波用一组带权重的随机样本(粒子)表示后验密度,通过蒙特卡罗仿真传播样本、按观测似度更新权重,从而绕开高斯假设,适用于非线性、非高斯运动。它把“积分”换成了“采样求和”,代价是精度直接取决于粒子数量:粒子少则分布粗糙,粒子多则计算量与耗时成倍增长。
更棘手的是重采样带来的样本贫化:权重集中在少数粒子上后,重采样反复复制这几个粒子,多样性丧失,滤波器再也无法覆盖真实状态附近的其他可能。
常见改进沿两条思路:一是换更好的建议分布,如用奇异值分解计算 Sigma 点的无损粒子滤波,把粒子投放得更靠近高似然区;二是改采样结构,如引入群体智能的层次重要性采样。另有工作把外观自适应模型嵌入粒子滤波,或将检测器与粒子滤波级联,用检测结果纠正目标位置突变。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
粒子滤波主要通过一组具有相关权重的随机样本来表示目标运动的后验密度函数,通过蒙特卡罗(Monte Carlo)仿真解决卡尔曼滤波不适用于非线性、非高斯分布运动状态的问题
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第1章 概述(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt001.html)
- 结论依据:粒子滤波用一组带权重的随机样本(粒子)表示后验密度,通过蒙特卡罗仿真传播样本、按观测似度更新权重,从而绕开高斯假设,适用于非线性、非高斯运动。
- 原始内容:粒子滤波主要通过一组具有相关权重的随机样本来表示目标运动的后验密度函数,通过蒙特卡罗(Monte Carlo)仿真解决卡尔曼滤波不适用于非线性、非高斯分布运动状态的问题