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和非中心过滤器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颗粒过滤器对象。例如,如果vdpParticleFilterStateFcn.m是状态转换函数，请指定StateTransitionFcn像@vdpParticleFilterStateFcn．你也可以指定StateTransitionFcn作为匿名函数的函数句柄。

函数签名如下:

函数predictedParticles=myStateTransitionFcn（previousParticles，varargin）

这个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这代表了前一步的状态假设。可选的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，ARG2）

如果国家定位“列”呢previousParticles是一个NumStateVariables-经过-NumParticles数组中。如果国家定位那么是“行”吗previousParticles是一个NumParticles-经过-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（阵列的尺寸与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．

要查看状态转换函数的示例，请使用国家定位属性设置为“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和非中心过滤器接受单个状态假设并返回单个度量估计值。

您根据测量模型写入并保存测量似然函数，并使用它来构造对象。例如,如果vdpmeasurementlikelihoodfcn.m.是测量似然函数，请指定测量可能性FCN像@VDP测量可能性FCN．你也可以指定测量可能性FCN作为匿名函数的函数句柄。

函数签名如下:

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

这个测量可能性FCN函数接受至少两个输入参数。第一个参数是粒子的集合predictedParticles这代表了预测的状态假设。如果国家定位“列”呢predictedParticles是一个NumStateVariables-经过-NumParticles数组中。如果国家定位那么是“行”吗predictedParticles是一个NumParticles-经过-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。您可以使用变长度输入宗量．

这个测量可能性FCN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（或角度）分布使用概率密度函数，其范围为[-pi，pi]．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，指定为分词抽样策略对象。

颗粒的重采样是使用颗粒过滤器估计状态的重要步骤。它使您可以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。通过持续重新采样当前估计周围的粒子，您可以更准确地跟踪和提高长期性能。

您可以根据有效粒子的数量来触发固定间隔或动态地触发重新采样。最小有效粒度是衡量电流颗粒近似值的衡量标准。通过以下方式计算有效粒子的数量：

在这个等式中，N是粒子数，并且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重量的函数。粒子权重达到足够低的值后，它们对状态估计没有贡献。此低值会触发重采样，因此粒子更接近当前状态估计并具有更高的权重。

该函数的以下属性分词抽样策略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，指定为以下方法之一：

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，指定为基于国家定位属性:

每行或列对应于状态假设（单粒子）。

粒子权重，定义为基于的值的向量国家定位属性:

当前状态估计，定义为基于值的矢量国家定位属性:

状态是只读属性，并且是从粒子基于这一点StateEstimationMethod财产。指StateEstimationMethod详情请参阅状态决心，决意，决定。

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-经过-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，则函数返回金宝appStateCovariance[]。

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