状态变量的数量，指定为标量。此属性是只读的，使用初始化．状态数是隐式的，基于粒子初始均值或状态边界的指定矩阵。

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。只能通过使用初始化．

状态转移函数，指定为一个函数句柄，决定了粒子在时间步之间的转移(状态假设)。这个函数计算粒子在下一个时间步，包括过程噪声，给定的粒子在一个时间步。

相反的，状态转移函数extendedKalmanFilter和unscentedKalmanFilter在给定的时间步长生成单个状态估计。

为非线性系统编写并保存状态转移函数，并在构造时将其指定为函数句柄particleFilter对象。例如,如果vdpParticleFilterStateFcn.m状态转移函数是否指定StateTransitionFcn作为@vdpParticleFilterStateFcn．你也可以指定StateTransitionFcn作为匿名函数的句柄。

函数签名如下:

函数predictedParticles = myStateTransitionFcn(previousParticles,varargin)

的StateTransitionFcn函数接受至少一个输入参数。第一个参数是粒子的集合previousParticles表示上一个时间步骤的状态假设。可选地使用变长度输入宗量在函数中，您可以输入任何与预测下一个状态相关的额外参数预测,如下所示:

预测(pf、__arg1最长)

如果StateOrientation“列”呢previousParticles是一个NumStateVariables——- - - - - -NumParticles数组中。如果StateOrientation“行”呢previousParticles是一个NumParticles——- - - - - -NumStateVariables数组中。

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

StateTransitionFcn必须包括随机过程噪声(来自任何适合您的应用程序的分布)在predictedParticles．

来看看状态转移函数的例子StateOrientation属性设置为“列”，键入编辑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来计算粒子(状态假设)的可能性。对于每个状态假设(粒子)，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的概率分布，计算各测量假设的可能性。

相比之下，测量函数为extendedKalmanFilter和unscentedKalmanFilter接受一个状态假设并返回一个测量估计值。

您可以根据您的度量模型编写并保存度量可能性函数，并使用它来构造对象。例如,如果vdpMeasurementLikelihoodFcn.m测量似然函数是否指定MeasurementLikelihoodFcn作为@vdpMeasurementLikelihoodFcn．你也可以指定MeasurementLikelihoodFcn作为匿名函数的句柄。

函数签名如下:

function likelihood = mymeasurementlikelihood dfcn (predictedParticles,measurement,varargin)

的MeasurementLikelihoodFcn函数接受至少两个输入参数。第一个参数是粒子的集合predictedParticles这代表了预测状态假说。如果StateOrientation“列”呢predictedParticles是一个NumStateVariables——- - - - - -NumParticles数组中。如果StateOrientation“行”呢predictedParticles是一个NumParticles——- - - - - -NumStateVariables数组中。第二个参数,测量，为n元传感器在当前时间步长的测量值。您可以使用变长度输入宗量．

的MeasurementLikelihoodFcn必须只返回一个输出，可能性，是一个向量NumParticles长度，这是给定的可能性测量对于每个粒子(状态假设)。

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

状态变量是否具有循环分布，指定为逻辑数组。

这是一个只读属性，使用初始化．

圆形(或角)分布使用一个范围为的概率密度函数(π-π,)．IsStateVariableCircular行向量是NumStateVariables元素。每个向量元素指示关联的状态变量是否为循环。

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

粒子的重采样是使用粒子滤波器估计状态的重要步骤。它允许您根据当前状态选择粒子，而不是使用初始化时给出的粒子分布。通过对当前估计周围的粒子连续重采样，可以获得更准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方式触发重采样。最小有效粒子比是当前粒子集近似后验分布的程度的度量。有效粒子数计算公式为:

在这个方程,N是粒子数，和w为每个粒子的标准化重量。得到了有效颗粒比Neff/NumParticles．因此，有效颗粒比是所有颗粒权重的函数。当粒子的权重达到足够低的值时，它们对状态估计没有贡献。这个低值会触发重采样，因此粒子更接近当前状态估计，具有更高的权值。

的下列属性particleResamplingPolicy对象可以修改以控制何时触发重采样:

用于粒子重采样的方法，具体如下:

用于从粒子中提取状态估计的方法，指定为以下其中之一:

粒子值数组，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，定义为基于的值的向量StateOrientation属性:

的值定义为向量的当前状态估计StateOrientation属性:

状态是只读属性，并且是从粒子基于StateEstimationMethod财产。指StateEstimationMethod详情请参阅状态是确定的。

状态随着StateCovariance也可以确定使用getStateEstimate．

当前估计状态估计误差协方差，定义为NumStateVariables——- - - - - -NumStateVariables数组中。StateCovariance是只读属性，并基于StateEstimationMethod．如果指定不支持协方差的状态估计方法，则函数返回万博1manbetxStateCovariance[]。

StateCovariance和状态可以确定一起使用吗getStateEstimate．