引言
近年来人们对GPS 导航的要求越来越高，对于GPS 滤波理论的研究也越来越多。经典卡尔曼滤波器一直是导航领域滤波研究的主题。但是经典卡尔曼滤波器只是对线性系统和高斯白噪声适用，所以对于非线性非高斯噪声的组合导航系统的滤波理论的研究也越来越多。 的改进算法。包括，适应非线性系统的扩展卡尔曼滤波、自适应卡尔曼滤波算法、无迹卡尔曼滤波算法等等。同时，也有一些其他性能优越的滤波算法出现。粒子滤波算法就是其中之一。本文将应用粒子滤波算法到GPS 动态滤波中。并通过仿真对比证明该算法比经典卡尔曼滤波算法具有更好的滤波效果。
毕业论文
代写，就来毕业论文网。2 GPS 动态滤波的数学模型全球定位系统（GPS-Global Positioning System）通过对得到的导航卫星的导航电文解析和计算，可以得到用户当前的位置信息，包括经纬度和速度等信息。对于地面载体的运动可以近似认为目标是二维平面的运动。假设系统是线性系统，其中噪声是白噪声。对于离散的信号，假设采样周期为T ，地面载体的运动可以按东、北、天向坐标分解为东向运动和北向运动。载体的位置，速度和加速度可以由东向和北向的位置，速度和加速度合成得到。网络营销毕业论文最全的营销毕业论文。
2.1 GPS 动态滤波状态方程载体的运动状态变量可以取为东北向的位置、速度和加速度。
2.2 GPS 动态滤波观测方程3 卡尔曼滤波算法卡尔曼滤波状态空间模型可以由以下的状态方程和观测方程描述。
4 粒子滤波算法粒子滤波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(Sequential ImportanceSampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数 进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。
尽管算法中的概率分布只是真实分布的一种近似，但由于非参数化的特点，它摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约，能表达比高斯模型更广泛的分布，也对变量参数的非线性特性有更强的建模能力。因此，粒子滤波能够比较精确地表达基于观测量和控制量的后验概率分布，可以用于解决SLAM 问题。
SIS 算法的伪代码描述。SIS 算法是粒子滤波的基础组成部分。
粒子滤波算法通过SIS 算法抽样得到随机样本ikx ，也就是所说的“粒子”。利用这些抽样粒子根据系统方程得到样本的预测和归一化权值。然后根据概率更新函数得到后验估计。 6 结论本文给出了基于粒子滤波的GPS 动态滤波方法。并且用实验证明了本算法的有效性以及较经典卡尔曼滤波算法的优越性。经粒子滤波的GPS 动态滤波的RMS 误差更低，导航精度相对经典卡尔曼滤波算法要好得多。
