随着这些年计算机硬件水平的发展, 计算速度的提高, 源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来。本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念, 用一系列离散的带权重随机样本近似相 应的概率密度函数。由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似, 所以在非线性状态估计方面比广义卡尔曼滤波更有优势。在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势。

本文的题目是改进的粒子滤波在组合导航中的应用研究。文档可用caj打开。 本课题首先研究了GPS/DR车载定位系统的组合模型，然后在分析了非线性滤波的基础上，引入了粒子滤波。粒子滤波是一种基于递推计算的序列蒙特卡罗算法，它采用一组从概率密度函数上随机抽取的并附带相关权值的粒子集来逼近后验概率密度，从而不受非线性、非高斯问题的限制。虽然粒子滤波存在诸多优点，然而它仍然存在诸如粒子数匿乏、滤波性能不高、实时性差等问题。

五组在matlab中应用的小程序：（1）carspls and carsplslda，竞争性自适应重加权算法（cars）筛选特征变量，并建立PLS定量或定性模型（2）mcuvepls 蒙特卡罗抽样无关信息消除后，建立PLS定量和定性模型（3）osc，正交信号校正的多变量数据处理方法（4）plot cars-lda-mcs,表征cars-lda-mcs的结果（5）demo 对以上carspls and carsplslda，mcuvepls 方法在matlab中实现举例演示-Five groups