【定义】
随机变量:
X
,
r
\Chi,r
X,r(均为矢量)
概率密度函数:
p
(
X
)
p(\Chi)
p(X)表示随机变量
X
\Chi
X的PDF,它表征了
X
\Chi
X在所有状态上的可能性(likelihood);
条件概率密度函数:
p
(
r
∣
X
)
p(r|\Chi)
p(r∣X)表示给定
X
\Chi
X下随机变量
r
r
r的PDF。
【实例化】
随机变量
X
\Chi
X表示系统的状态(含系统噪声),随机变量
r
r
r表示量测(含量测噪声)。
已知在系统某个给定状态
X
\Chi
X下获得了
n
n
n次观测
r
=
[
r
1
,
r
2
,
⋯
 
,
r
n
]
T
r=[r_1,r_2,\cdots,r_n]^T
r=[r1,r2,⋯,rn]T,目标是使用观测推测出系统状态的最优估计。(即融合先验和观测信息,并求解最有估计)
几个明确:
1.假设给定状态的先验概率
p
(
X
)
p(\Chi)
p(X);
2.假设
n
n
n次观测之间相互独立,即
p
(
r
∣
X
)
=
Π
i
=
1
n
p
(
r
i
∣
X
)
p(r|\Chi)=\Pi_{i=1}^np(r_i|\Chi)
p(r∣X)=Πi=1np(ri∣X);
3.目标求解系统状态的最优估计
根据Bayes公式,得后验概率密度函数:
p
(
X
∣
r
)
=
p
(
r
∣
X
)
p
(
X
)
p
(
r
)
p(\Chi|r)=\frac{p(r|\Chi)p(\Chi)}{p(r)}
p(X∣r)=p(r)p(r∣X)p(X)
取系统状态的最优估计为后验概率密度函数的最大值!即
(1)
X
M
A
P
=
a
r
g
max
X
p
(
X
∣
r
)
=
a
r
g
max
X
p
(
r
∣
X
)
p
(
X
)
=
a
r
g
min
X
[
−
Σ
i
=
1
n
log
p
(
r
i
∣
X
)
−
log
p
(
X
)
]
\begin{aligned} \Chi_{MAP} &=arg \max_{\Chi} p(\Chi|r) \\ &= arg \max_{\Chi} p(r|\Chi)p(\Chi) \\ &= arg \min_{\Chi} [-\Sigma_{i=1}^n \log p(r_i|\Chi)-\log p(\Chi)] \\ \end{aligned} \tag{1}
XMAP=argXmaxp(X∣r)=argXmaxp(r∣X)p(X)=argXmin[−Σi=1nlogp(ri∣X)−logp(X)](1)
此时,再做一个假设:所涉及PDF均为高斯PDF,即:
p
(
r
i
∣
X
)
=
N
(
μ
r
i
,
Σ
r
i
)
=
1
(
2
π
)
dim
r
i
det
(
Σ
r
i
)
e
x
p
[
−
1
2
(
r
i
−
μ
r
i
)
T
Σ
r
i
−
1
(
r
i
−
μ
r
i
)
]
p(r_i|\Chi)=\mathcal{N}(\mu_{r_i},\Sigma_{r_i})=\frac{1}{\sqrt{(2\pi)^{\dim r_i } \det(\Sigma_{r_i})}}exp[-\frac{1}{2} {(r_i-\mu_{r_i})^T}{\Sigma_{r_i}^{-1}}(r_i-\mu_{r_i})]
p(ri∣X)=N(μri,Σri)=(2π)dimridet(Σri)1exp[−21(ri−μri)TΣri−1(ri−μri)]
p ( X ) = N ( μ X , Σ X ) = 1 ( 2 π ) dim X det ( Σ X ) e x p [ − 1 2 ( X − μ X ) T Σ X − 1 ( X − μ X ) ] p(\Chi)=\mathcal{N}(\mu_\Chi,\Sigma_\Chi)=\frac{1}{\sqrt{(2\pi)^{\dim \Chi } \det(\Sigma_\Chi)}}exp[-\frac{1}{2} {(\Chi-\mu_\Chi)^T}{\Sigma_\Chi^{-1}}(\Chi-\mu_\Chi)] p(X)=N(μX,ΣX)=(2π)dimXdet(ΣX)1exp[−21(X−μX)TΣX−1(X−μX)]
代入公式(1),可得:
X
M
A
P
=
a
r
g
min
X
[
Σ
i
=
1
n
1
2
(
r
i
−
μ
r
i
)
T
Σ
r
i
−
1
(
r
i
−
μ
r
i
)
+
1
2
(
X
−
μ
X
)
T
Σ
X
−
1
(
X
−
μ
X
)
]
≜
a
r
g
min
X
[
Σ
i
=
1
n
∥
r
i
−
μ
r
i
∥
Σ
r
i
2
+
∥
X
−
μ
X
∥
Σ
X
2
]
\begin{aligned} \Chi_{MAP} &= arg \min_{\Chi} [\Sigma_{i=1}^n \frac{1}{2} {(r_i-\mu_{r_i})^T}{\Sigma_{r_i}^{-1}}(r_i-\mu_{r_i}) + \frac{1}{2} {(\Chi-\mu_\Chi)^T}{\Sigma_\Chi^{-1}}(\Chi-\mu_\Chi) ] \\ &\triangleq arg \min_{\Chi} [\Sigma_{i=1}^n \| r_i - \mu_{r_i} \| ^2_{\Sigma_{r_i}}+\| \Chi - \mu_{\Chi} \| ^2_{\Sigma_\Chi} ] \end{aligned}
XMAP=argXmin[Σi=1n21(ri−μri)TΣri−1(ri−μri)+21(X−μX)TΣX−1(X−μX)]≜argXmin[Σi=1n∥ri−μri∥Σri2+∥X−μX∥ΣX2]
下面就可以使用最小二乘问题的求解方法进行最优估计的求取了。