Résumé:
Le filtre de Kalman étendu (EKF) et le filtre à particules (PF) sont deux outils
largement utilisés pour résoudre les problèmes d'estimation Etat non-linéaires.
L'EKF est une approche sous-optimale, qui met en œuvre un filtre de Kalman pour un
système dynamique qui résulte de la linéarisation de la dynamique de filtre non-linéaire
original autour des estimations de l'état précédent. Mais elle a été définie sur l'hypothèse que
les deux, le processus et le capteur bruits, sont de distribution gaussienne. Le filtre à
particules est un schéma plus général et ne nécessite pas que les bruits soient gaussiens, car
les probabilités a posteriori sont représentés par un jeu d'échantillons pondérés sélectionnés
de manière aléatoire. Ce travail a pour but de comparer l'utilisation du filtre à particules et
l’EKF pour un problème d’estimation d’un signal de communication modulé en phase avec un
bruit gaussien.
Mots clés : Kalman étendu, Filtre à particule, estimation, bayes, Monte carl
