The Unscented Particle Filter Algorithm

无味粒子滤波算法(UPF)

基本粒子滤波 PF 的重要密度函数是先验概率密度，这种方式没有利用最新的观测信息 ，以致于状态变量的估计过分依赖于模型。假使人们建立的系统模型无法准确的表达系统，尤其是当噪声复杂多变时，滤波算法的精度将会大大降低。无味卡尔曼滤波（UKF）是一种基于递归思想的最小均方误差估计，它在计算均值和方差的过程中，会利用最新的观测信息；同时 UKF 利用无味变换，计算后验方 差的精度理论上能达到三阶，所以 UKF 如果能用来改善粒子滤波，通过将 PF 和 UKF 相结合， 标准粒子滤波算法被改进为无味粒子滤波（UPF）。

为了能够兼顾粒子滤波的精度、粒子退化及粒子贫化问题，本文从优化重采样及选择一个合适的重要密度函数两方面着手。

参考文献：
【1】非线性滤波技术研究及其在深空探测自主导航中的应用
【2】面向目标跟踪的非线性滤波算法性能分析研究
【3】Compass/INS 组合导航信息融合滤波算法研究
【4】粒子滤波算法研究与实现
【5】The Unscented Particle Filter

主函数 Unscented_Particle_Filter.m

%% 基于两个独立的雷达/声纳传感器对它的射程和射程速率的观察
close all;
clc;
clear;
tic;
global Ns na F Q R a b endk dT

%