如何正确设置随机数生成器

为了开发粒子滤波算法的实现，我需要生成与要跟踪的对象相关的运动的假设：如果我设置N样本，并且如果我使用2-by-1状态向量，那么在每一步我都必须生成N对随机值(2-byNmatrix)。此外，如果我知道运动的统计数据(均值和标准差)，那么我可以使用均值和标准偏差来生成所有的N值。最后，为了对运动的不确定性进行建模，我可以生成一个噪声矩阵(一个2-by-N矩阵)，并将其添加到运动矩阵中。

基于这些前提，我在matlab中实现了算法的运行，并使用以下代码生成了运动的假设。

ds_mean = [dx_mean dy_mean];
ds_stddev = [dx_stddev dy_stddev];
d = 5;
V = zeros(2,N);
V(1,:) = normrnd(ds_mean(1),ds_stddev(1),1,N);   % hypotheses of movement on x axis
V(2,:) = normrnd(ds_mean(2),ds_stddev(2),1,N);   % hypotheses of movement on y axis
E = d*randn(2,N);   % weighted noise
M = V + E;   % hypotheses of movement

当我不得不使用C++和OpenCV实现相同的算法时，出现了一个问题：实际上，虽然上面的matlab代码生成了良好的预测(效果很好)，但用C++编写的相同代码(见下面的代码)生成了较差的预测(即远离对象)。为什么？

RNG m_rng;
x_mean = // ...
y_mean = // ...
x_stddev = // ...
y_stddev = // ...
Mat velocity(STATE_DIM, NUM_PARTICLES, DataType<double>::type);
m_rng.fill(velocity.row(0), RNG::NORMAL, x_mean, x_stddev);
m_rng.fill(velocity.row(1), RNG::NORMAL, y_mean, y_stddev);
Mat noise(STATE_DIM, NUM_PARTICLES, DataType<double>::type);
m_rng.fill(noise,RNG::NORMAL,0,1);
noise *= d;   % weighted noise
movements = velocity + noise;

如何确保C++算法与matlab中实现的算法一样有效？