文章目录
1贝叶斯滤波
1.1理论基础
(1)本质:通过贝叶斯公式对随机信号处理,从而减小不确定度(即方差)。
(2)随机过程:x1,…,xn为随机变量,但不独立。
主观概率(先验概率)(实验前),
引入外部观测(证据、信息),
得到相对客观的概率(后验概率)(实验后)。
(3)先验概率、后验概率、似然概率:
离散举例:温度测量 T 实 际 温 度 、 T m 温 度 计 测 量 温 度 T实际温度、T_m温度计测量温度 T实际温度、Tm温度计测量温度
a. 先验概率分布
{ P ( T = 10 ) = 0.8 表 示 实 际 温 度 为 10 的 概 率 为 0.8 P ( T = 11 ) = 0.2 \left\{ \begin{aligned} &P(T=10) = 0.8 表示实际温度为10的概率为0.8 \\ &P(T=11)=0.2 \end{aligned} \right. {
P(T=10)=0.8表示实际温度为10的概率为0.8P(T=11)=0.2
b. 温度计测量值 T m T_m Tm
c. 后验概率分布:
P ( T = 10 ∣ T m = 10.3 ) = P ( T m = 10.3 ∣ T = 10 ) ∗ P ( T = 10 ) P ( T m = 10.3 ) P(T=10|T_m=10.3)=\frac{P(T_m=10.3|T=10)*P(T=10)}{P(T_m=10.3)} P(T=10∣Tm=10.3)=P(Tm=10.3)P(Tm=10.3∣T=10)∗P(T=10)
表示在温度计显示为10.3度的条件下,实际温度为10度的概率。
其中, P ( T m = 10.3 ∣ T = 10 ) P(T_m=10.3|T=10) P(Tm=10.3∣T=10)表示在实际温度为10度的情况下温度计测量为10.3度的概率。似然概率:观测精度/传感器精度;
P ( T m = 10.3 ) P(T_m=10.3) P(Tm=10.3)看作常数 η \eta η。
后验= η ∗ 似 然 ∗ 先 验 \eta*似然*先验 η∗似然∗先验,其中 η = 1 ∑ ( 似 然 ∗ 先 验 ) \eta=\frac{1}{\sum{(似然*先验)}} η=∑(似然∗先验)1。
连续:
f X ∣ Y ( x ∣ y ) = f Y ∣ X ( y ∣ x ) ∗ f X ( x ) f Y ( y ) = η ∗ 似 然 ∗ 后 验 f_{X|Y}(x|y)=\frac{f_{Y|X}(y|x)*f_{X}(x)}{f_{Y}(y)}=\eta*似然*后验 fX∣Y(x∣y)=fY(y)fY∣X(y∣x)∗fX(x)=η∗似然∗后验
定理:若 f X ( x ) f_{X}(x) fX(x)~ N ( μ 1 , δ 1 2 ) , f Y ∣ X ( y ∣ x ) N(\mu_{1}, \delta_1^2),f_{Y|X}(y|x) </