状态变量的个数，指定为标量。此属性是只读的，并使用初始化．状态的数量是隐式的，基于粒子初始平均值的指定矩阵，或状态边界。

过滤器中使用的粒子数，指定为标量。每个粒子代表一个状态假设。只能通过使用指定此属性初始化．

状态转移函数，指定为函数句柄，确定粒子(状态假设)在时间步间的转移。这个函数计算下一个时间步的粒子，包括过程噪声，给定一个时间步的粒子。

相比之下，对于的状态转移函数extendedKalmanFilter而且unscentedKalmanFilter在给定的时间步上生成单个状态估计。

编写并保存非线性系统的状态转换函数，并在构造particleFilter对象。例如，如果vdpParticleFilterStateFcn.m状态转换函数是指定的吗StateTransitionFcn作为@vdpParticleFilterStateFcn．您还可以指定StateTransitionFcn作为匿名函数的函数句柄。

函数签名如下:

函数predictedParticles = myStateTransitionFcn(previousParticles,varargin)

的StateTransitionFcn函数至少接受一个输入参数。第一个参数是粒子的集合previousParticles它表示上一个时间步的状态假设。可选的使用变长度输入宗量函数中允许您输入与预测下一个状态相关的任何额外参数，使用预测，如下:

预测(pf、__arg1最长)

如果StateOrientation那么'column'是什么意思呢previousParticles是一个NumStateVariables——- - - - - -NumParticles数组中。如果StateOrientation那么row是什么意思呢previousParticles是一个NumParticles——- - - - - -NumStateVariables数组中。

StateTransitionFcn必须返回一个输出，predictedParticles，为当前时间步长的预测粒子位置集(与previousParticles）.

StateTransitionFcn必须将随机过程噪声(来自任何适合您的应用程序的分布)包含在predictedParticles．

方法查看状态转换函数的示例StateOrientation属性设置为'column'，类型编辑vdpParticleFilterStateFcn在命令行。

测量似然函数，指定为函数句柄，用于使用传感器测量计算粒子(状态假设)的似然。对于每个状态假设(粒子)，该函数首先计算一个n元测量假设向量。然后根据传感器测量结果和测量噪声概率分布计算各测量假设的似然。

相比之下，测量函数为extendedKalmanFilter而且unscentedKalmanFilter接受单个状态假设并返回单个测量估计。

您可以根据您的度量模型编写并保存度量似然函数，并使用它来构造对象。例如，如果vdpMeasurementLikelihoodFcn.m测量似然函数，是指定的吗MeasurementLikelihoodFcn作为@vdpMeasurementLikelihoodFcn．您还可以指定MeasurementLikelihoodFcn作为匿名函数的函数句柄。

函数签名如下:

函数似然= mymeasurementlikedfcn (predictedParticles,measurement,varargin)

的MeasurementLikelihoodFcn函数至少接受两个输入参数。第一个参数是粒子的集合predictedParticles这代表了预测状态假设。如果StateOrientation那么'column'是什么意思呢predictedParticles是一个NumStateVariables——- - - - - -NumParticles数组中。如果StateOrientation那么row是什么意思呢predictedParticles是一个NumParticles——- - - - - -NumStateVariables数组中。第二个论点，测量，为n元传感器在当前时间步长的测量值。使用提供额外的输入参数变长度输入宗量．

的MeasurementLikelihoodFcn必须返回一个输出，可能性的向量。NumParticles长度，也就是给定的可能性测量对于每个粒子(状态假设)。

要查看度量似然函数的示例，请键入编辑vdpMeasurementLikelihoodFcn在命令行。

状态变量是否具有指定为逻辑数组的圆形分布。

这是一个只读属性，使用初始化．

圆(或角)分布使用的概率密度函数的范围为(π-π,)．IsStateVariableCircular行向量是NumStateVariables元素。每个向量元素表示相关的状态变量是否是圆形的。

确定何时触发重采样的策略设置，指定为particleResamplingPolicy对象。

粒子重采样是使用粒子滤波器估计状态的一个重要步骤。它使您能够基于当前状态选择粒子，而不是使用初始化时给定的粒子分布。通过不断地对当前估计值周围的粒子进行重采样，可以获得更精确的跟踪并提高长期性能。

您可以根据有效粒子的数量以固定的间隔或动态的方式触发重采样。最小有效粒子比是衡量当前粒子集接近后验分布的程度。有效粒子数计算公式为:

在这个方程中，N是粒子数，和w是每个粒子的归一化权值。有效粒子比为Neff/NumParticles．因此，有效粒子比是所有粒子权重的函数。当粒子的权重达到一个足够低的值后，它们对状态估计没有贡献。这个低值触发重采样，因此粒子更接近当前状态估计，具有更高的权重。

的以下属性particleResamplingPolicy对象可以修改为在触发重采样时控制:

用于粒子重采样的方法，指定为以下之一:

用于从粒子中提取状态估计的方法，指定为以下之一:

粒子值的数组，指定为基于StateOrientation属性:

每一行或每一列对应一个状态假设(单个粒子)。

粒子权重，定义为基于值的向量StateOrientation属性:

当前状态估计，定义为基于值的向量StateOrientation属性:

状态是只读属性，并从粒子基于StateEstimationMethod财产。指StateEstimationMethod的值如何详细说明状态是确定的。

状态随着StateCovariance还可以用getStateEstimate．

当前估计的状态估计误差协方差，定义为NumStateVariables——- - - - - -NumStateVariables数组中。StateCovariance是只读属性，并根据StateEstimationMethod．如果指定的状态估计方法不支持协方差，则函数返回万博1manbetxStateCovarianceAs[]。

StateCovariance而且状态可以一起确定使用吗getStateEstimate．