粒子滤波，粒子滤波要怎么学习啊应该先学什么再学什么一点儿也看不懂啊

1，粒子滤波要怎么学习啊应该先学什么再学什么一点儿也看不懂啊

我以前学过信号与系统，现在学粒子滤波，我的步骤是数字信号处理卡尔曼滤波粒子滤波我老师也叫我看通信原理我在看的时候也有很多不懂，这就要靠自己去看资料了，比如贝叶斯估计

在室内定位中，粒子滤波的作用是不断修正定位的精度。定义：通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。

粒子滤波要怎么学习啊应该先学什么再学什么一点儿也看不懂啊

2，粒子滤波算法是什么时间由谁最先提出来的

我通俗解释一下,粒子滤波（PF）的应用大致这样：（其实目标跟踪的理论就是对状态向量的实时估值）设有一堆样本,假设有N个,初始给他们同样的权值1/N.这个系统状态转移方程,一般是非线性的,我们只需要知道怎么做才能把这时刻的状态值传播到下一个时刻.具体做法,N个样本值通过状态转移得下一时刻的样本预测值,包含过程噪声因素.d系统还有一个非线性的观测方程,通过它得到真正的观测值Z.这时候,把N个样本预测值带进去获得Z.根据Z和Z相差的程度,决定对这个样本的可信程度,当然越接近的越好,然后把这些可信程度进行权值归一化.重采样环节,把这些样本按照权值进行随机采样（权值越高的,当然越容易被抽中.比如说,下一时刻的值,有四个样本说等于1,有两个样本说等于1.5,那么有2/3概率认为等于1.这个解释起来真的有够复杂的,一般做起来200~300个样本获得的值都接近一样了,还要设个2/3n的阈值防止粒子匮乏,也就是防止所有样本得到相同的后验估计结果）,获得的值尽可能接近真实发生的情况.循环2~5

1993年有gordon和salmond提出了一种新的基于sis方法的bootstrap非线性滤波方法，从此奠定了粒子滤波算法的基础。论文：novel approach to non-linear and non-gaussion bayesian state estimation.

粒子滤波算法是什么时间由谁最先提出来的

3，怎样从实际场景上理解粒子滤波

过很多教程和视频，讲得最好的莫过于Probablistic Robotics的作者Shrun在Udacity 公开课平台中的Programming A Robot Car(Artificial Intelligence for Robotics)的Particle Filter这节课(当然你需要把这节课之前的几节也看完才能深入理解)，它的好处在于不仅用简单的语言讲解了基本原理，更给出了实现算法的代码教程，我觉得看一大坨公式能增加的理解程度都不如看一小段代码，甚至自己动手编上一段，这样就能完全理解了。当然公开课上讲得还是比较浅的，要想更全面的了解的话还是推荐仔细研读Probablistic Robotics。不过这个公开课已经足够你自己动手实现一个pf出来，你可以用它做一些基本的应用了，我上次课程设计就是通过这个再加上我实验室采集的机器人laser的数据做了一个简单的pf定位，还是相当有意思的。图中显示的是一条轨迹，那些散点是在不同时间段猜测的机器人的位置，颜色越暖的点权值越大，绿点则是对应时间点的ground truth，所以可以看出这些猜测都挺准的～

所谓粒子滤波就是指：通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。　　粒子滤波的作用：　　粒子滤波技术在非线性、非高斯系统表现出来的优越性，决定了它的应用范围非常广泛。另外，粒子滤波器的多模态处理能力，也是它应用广泛的原因之一。国际上，粒子滤波已被应用于各个领域。在经济学领域，它被应用在经济数据预测；在军事领域已经被应用于雷达跟踪空中飞行物，空对空、空对地的被动式跟踪；在交通管制领域它被应用在对车或人视频监控；它还用于机器人的全局定位。

怎样从实际场景上理解粒子滤波