当使用粒子过滤器来逼近未知分布时，应该使用多少个样本？ 太少可能无法对分布进行充分采样，而太多则会不可接受地增加运行时间。
Dieter Fox 的 KLD 采样算法让使用自适应地估计需要多少样本。 这个类促进（实现）这个方法。
引文： 福克斯，迪特。 “通过 KLD 采样调整粒子过滤器中的样本大小。” 国际机器人研究杂志 22.12 (2003): 985-1003。
2021-09-23 00:55:51
9KB
1
将选择K维拉丁超立方体中的N个点。 M 个坐标维度中的每一个都被离散化为值 1 到 N。以这样的方式选择点，即没有两个点具有任何共同的坐标值。 这是一个标准的拉丁超立方体要求，有很多解决方案。 该算法的不同之处在于它试图选择一个解决方案，该解决方案具有点尽可能均匀地“散布”的特性。 它通过通过正态高斯累积分布函数映射解决方案元素来做到这一点
例子 ： X = Generate_LHS('n', 100, 'k', 2, 'plot_flag',1,'Normal_dist_flag',1,'hist_flag',1);
参考： M. Cavazzuti，优化方法：从理论到设计， Springer-Verlag Berlin Heidelberg 2013
灵感来自： http://www.mathworks.com/matlabcentral/fileexchange/48927-l
2021-09-22 15:50:45
30KB
1
原创matlab实现泊松过程样本轨道模型及参数估计-possion1.m
详见附件
2021-09-21 15:41:56
471B
1