状态变量的数量，指定为标量。此属性是只读的，设置使用初始化。基于初始粒子的初始矩阵或状态界限的指定矩阵来隐含状态。

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。您才通过使用仅指定此属性初始化。

状态转换函数指定为函数句柄，确定时间步长之间的粒子（状态假设）的转换。该功能在下次步骤中计算颗粒，包括在时间步骤中给定颗粒的过程噪声。

相比之下，状态转换功能ExtendedKalmanFilter.和undentedkalmanfilter在给定时间步骤生成单个状态估计。

您为非线性系统编写并保存状态转换功能，并在构建时将其指定为函数句柄粒子滤片对象。例如，如果vdpparticlefilterstatefcn.m.是状态转换功能，指定StateTransitionFCN.作为@vdpparticlefilterstatefcn.。您也可以指定StateTransitionFCN.作为匿名功能的函数处理。

函数签名如下：

函数预测术= mystatetransitionfcn（以前的术颗粒，varargin）

这StateTransitionFCN.函数接受至少一个输入参数。第一个参数是一组粒子前一个部分表示上一个时间步骤的状态假设。可选地使用varargin.在该功能中，您可以使用额外的参数输入与预测下一个状态相关的任何额外参数预测， 如下：

预测(pf、__arg1最长)

如果陈辞那是'列'，然后前一个部分是A.numstatevariables.——- - - - - -numparticles.数组中。如果陈辞那是'行'，然后前一个部分是A.numparticles.——- - - - - -numstatevariables.数组中。

StateTransitionFCN.必须恰好返回一个输出，预测律，这是当前时间步骤的预测粒子位置（尺寸相同的阵列）前一个部分）。

StateTransitionFCN.必须包括随机过程噪声（来自适合您申请的任何分发）预测律。

查看状态转换功能的示例陈辞属性设置为“列”，类型编辑vdpparticlefilterstatefcn.在命令行。

指定为函数手柄的测量似然函数用于计算使用传感器测量的粒子（状态假设）的可能性。对于每个状态假设（粒子），该功能首先计算n元素测量假设向量。然后基于传感器测量和测量噪声概率分布来计算每个测量假设的可能性。

相比之下，测量功能ExtendedKalmanFilter.和undentedkalmanfilter采用单一的状态假设并返回单个测量估计值。

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是测量似然函数，指定MeasurementLikelihoodfcn.作为@vdpmeasurementlikelihoodfcn.。您也可以指定MeasurementLikelihoodfcn.作为匿名功能的函数处理。

函数签名如下：

功能似然= mymeasurementlikeliohefcn（预测颗粒，测量，varargin）

这MeasurementLikelihoodfcn.函数接受至少两个输入参数。第一个参数是一组粒子预测律这代表了预测状态假说。如果陈辞那是'列'，然后预测律是A.numstatevariables.——- - - - - -numparticles.数组中。如果陈辞那是'行'，然后预测律是A.numparticles.——- - - - - -numstatevariables.数组中。第二个参数,测量，是当前时间步骤的n元素传感器测量。您可以使用额外的输入参数varargin.。

这MeasurementLikelihoodfcn.必须恰好返回一个输出，可能性，矢量与numparticles.长度，这是给定的可能性测量对于每个颗粒（状态假设）。

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

状态变量是否具有圆形分布，指定为逻辑阵列。

这是一个只读属性并使用初始化。

圆形（或角度）分布使用具有一系列的概率密度函数(π-π,)。istatevariablecircular.是一排矢量与numstatevariables.元素。每个矢量元素指示关联状态变量是圆形的。

确定何时触发重采样的策略设置，指定为aparticleresamplingpolicy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是粒子的数量，和W.是每个颗粒的归一化重量。然后是有效的粒子比Neff/numparticles.。因此，有效粒度是所有颗粒的重量的函数。在粒子的重量达到足够低的值之后，它们没有贡献状态估计。该低值触发重新采样，因此粒子更接近当前状态估计并具有更高的权重。

以下属性particleresamplingpolicy可以在触发重新采样时修改对象以控制：

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：

粒子值阵列，指定为基于阵列的阵列陈辞财产：

每一行或每一列对应一个状态假设(单个粒子)。

粒子重量，定义为基于值的矢量陈辞财产：

的值定义为向量的当前状态估计陈辞财产：

状态是只读属性，并来自于粒子基于最终于司法方法财产。参考最终于司法方法有关如何价值的详细信息状态是确定的。

状态随着StateCovariance.也可以使用GetStateEstimate。

当前估计状态估计误差协方差，定义为numstatevariables.——- - - - - -numstatevariables.数组中。StateCovariance.是一个只读属性，是基于的最终于司法方法。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.作为 [ ]。

StateCovariance.和状态可以一起使用GetStateEstimate。