结合不同的可能性 - 粒子过滤器

信息处理 过滤器 算法 统计数据 粒子过滤器
2022-02-10 17:02:43

我是粒子滤波器的新手,在权重方面遇到问题(准确地说是使用 SIR)。问题是我的不同状态变量受到不同噪声实现的影响(例如,一个变量经历加性高斯噪声,而另一个变量是对数正态分布的),通常如何处理这些情况?

我首先尝试的是根据各自的可能性分别计算粒子的每个状态变量的概率,然后将相应粒子的所有结果出现概率相乘,然后将得到的最终概率归一化为权重。

可悲的是,这不是很好(我怀疑可能是这种情况,因为它忽略了状态变量之间可能的相关性)所以我非常感谢在这件事上提供的任何建议。

编辑:从更数学的角度来看,我所做的是

f(zx)f(z1,z2x)=f(z1x)f(z2z1,x)f(z1x)f(z2x)

所以首先我假设多元分布可以通过其分量的分布来表示,然后在第二个近似步骤中我忽略了各个分量之间的相关性。所以我想知道在哪些限制下允许第一步(例如,我知道它对于多元正态分布是正确的)以及如何增强第二个近似值f(z1x)f(z2x)来平衡相关性的缺失。

1个回答

z=[z1,z2]T成为观察和x=[x1,x2]T是隐藏状态,观察模型是zi=xi+ni为了i=1,2. 这里ni是独立的(但不完全相同,因为噪声具有不同的分布)。

所以我想知道在哪些限制下允许第一步(例如,我知道它对于多元正态分布是正确的)

根据定义,随机向量的密度函数由其分量的联合密度给出。所以f(z|x)=f(z1,z2|x)总是正确的。

以及如何增强第二个近似值

第二个近似实际上是具有独立分量的观察模型下的等式。自从z2=x2+n2, 条件为x2, 我们有z2(z1,x1). 这意味着f(z2|x,z1)=f(z2|x1,x2,z1)=f(z2|x2). 同样,f(z1|x)=f(z1|x1).