Python:TypeError:'；浮动'；对象没有属性'__获取项目'；

我正在尝试用python实现粒子过滤器算法。我得到这个错误：

x_P_update[i] = 0.5*x_P[i] + 25*x_P[i]/(1 + x_P[i]**2) + 8*math.cos(1.2*(t-1)) +     math.sqrt(x_N)*np.random.randn()
TypeError: 'float' object has no attribute '__getitem__'

我的代码：

import math
import numpy as np
import matplotlib.pyplot as plt

x = 0.1 #initial value
x_N = 1 #process noise covariance in state update
x_R = 1 #noise covariance in measurement
T = 75 #number of iterations
N = 10 #number of particles

V = 2
x_P = [None]*(N)

for i in xrange(0, N):
    x_P[i] = x + math.sqrt(V)*np.random.randn()

z_out = np.array([x**2 / 20 + math.sqrt(x_R) * np.random.randn()])  #the actual output vector for measurement values.
x_out = np.array([x])  #the actual output vector for measurement values.
x_est = np.array([x]); # time by time output of the particle filters estimate
x_est_out = np.array([x_est]) # the vector of particle filter estimates.

x_P_update = [None]*N
z_update = [None]*N
P_w = [None]*N

for t in xrange(1, T+1):
    x = 0.5*x + 25*x/(1 + x**2) + 8*math.cos(1.2*(t-1)) +  math.sqrt(x_N)*np.random.randn()
    z = x**2/20 + math.sqrt(x_R)*np.random.randn()
    for i in xrange(0, N):
        #each particle is updated with process eq
        x_P_update[i] = 0.5*x_P[i] + 25*x_P[i]/(1 + x_P[i]**2) + 8*math.cos(1.2*(t-1)) + math.sqrt(x_N)*np.random.randn()
        #observations are updated for each particle
        z_update[i] = x_P_update[i]**2/20
        #generate weights
        P_w[i] = (1/math.sqrt(2*math.pi*x_R)) * math.exp(-(z - z_update[i])**2/(2*x_R))

    P_w[:] = [ k / sum(P_w) for k in P_w]
#    print(np.where(np.cumsum(P_w, axis=0) >= np.random.rand()))

  #  print(index_tuple[0][1])
#    P_w_array = np.array(list(P_w))
#    indices = [i for i in range(len(P_w)) if np.cumsum(P_w_array) >= np.random.rand()]
    for i in xrange(0, N):
        index_tuple = np.where(np.random.rand() <= np.cumsum(P_w, axis=0))
        m = index_tuple[0][1]
        x_P = x_P_update[m]

    x_est = np.array([np.mean(x_P)])
    x_out = np.array([x_out, x])
    z_out = np.array([z_out, z])
    x_est_out = np.array([x_est_out, x_est])

导入数学
将numpy作为np导入
将matplotlib.pyplot作为plt导入
x=0.1#初始值
x_N=1#状态更新过程噪声协方差
x_R=1#测量中的噪声协方差
T=75#迭代次数
N=10#粒子数
V=2
x_P=[None]*（N）
对于x范围内的i（0，N）：
x_P[i]=x+math.sqrt（V）*np.random.randn（）
z_out=np.array（[x**2/20+math.sqrt（x_R）*np.random.randn（））#测量值的实际输出向量。
x_out=np.数组（[x]）#测量值的实际输出向量。
x_est=np.数组（[x]）；#粒子滤波器的逐时输出估计
x_est_out=np.数组（[x_est]）#粒子滤波器估计的向量。
x_P_update=[None]*N
z_update=[None]*N
P_w=[无]*N
对于X范围内的t（1，t+1）：
x=0.5*x+25*x/（1+x**2）+8*math.cos（1.2*（t-1））+math.sqrt（x_N）*np.random.randn（）
z=x**2/20+数学sqrt（x_R）*np.random.randn（）
对于x范围内的i（0，N）：
#每个粒子都会使用过程eq更新
x_P_update[i]=0.5*x_P[i]+25*x_P[i]/（1+x_P[i]**2）+8*math.cos（1.2*（t-1））+math.sqrt（x_N）*np random.randn（）
#更新每个粒子的观测值
z_update[i]=x_P_update[i]**2/20
#生成权重
P_w[i]=（1/math.sqrt（2*math.pi*x_R））*math.exp（-（z-z_更新[i]）**2/（2*x_R））
P_w[：]=[k/P_w中k的和（P_w）]
#打印（np.where（np.cumsum（P_w，axis=0）>=np.random.rand（））
#打印（索引组[0][1]）
#P_w_数组=np.数组（列表（P_w））
#如果np.cumsum（P_w_数组）>=np.random.rand（），则索引=[i代表范围内的i（len（P_w））]
对于x范围内的i（0，N）：
index\u tuple=np.where（np.random.rand（）我不打算通过视频教程来修复您的算法，但我可以告诉您为什么会出现此错误

在这方面：

x_P = x_P_update[m]

您正在为数组分配浮点值，然后尝试将其作为外部循环中的数组进行访问。更新它将消除错误：

x_P[m] = x_P_update[m]

谢谢，但是现在我得到了一些其他错误。m=index\u tuple[0][1]索引器错误：索引1超出大小为的轴0的界限1@stoned_blasphemer这是你的算法的一个问题。@stoned_blasphemer你应该如上图所示更正你的代码，将你的新问题作为一个新问题发布，除了这个答案，因为它回答了你的问题。我通过将m改为index_tuple[0][0]修复了它，现在它可以正常工作了！：）