粒子滤波与重要性采样

最近又复习粒子滤波，感觉实际代码和推导总是有那么一些差距那一理解，主要是好好的分布为什么一转就变成特征似然程度了。这个东西让我们理一遍

之前理解粒子的思想可能是有一些问题的，对于一个未知分布来说的话，我们想要知道这个分布的期望，好，现在我们均匀的去撒粒子吧，其实蒙特卡洛方法来说，我们只要对大量的粒子求平均就可以知道我们想要分布的期望了。但是在粒子滤波的问题里面，我们偏偏对每一个粒子反馈的情报加上了一个权，这个权代表我们-是不是很信任这个分布。再看这个权的分布形式，实际上就是它和目标的相似程度。现在我们明白了，粒子滤波的结构实际上是加了一层重要性采样的思想在里面的蒙特卡洛方法。

现在我们要解决的就是如何估计这个相似程度的问题。粒子滤波在这里做了很牛逼的一件事。我们不知道这个东西原本的分布是什么，，但是我们可以观察某一个特征啊，如果这个特征的分布能够代表原来的分布的话，我们是不是可以近似这样来理解！！！！！！！

让我们一步一步理解这个思路：
蒙特卡洛方法是什么，就是试验，用大量的样本去替代概率。
比如说，我们想要知道一个骰子投出点数的期望，我们就不断去投这个骰子，把每一次的结果平均取来，就可以知道这个筛子的期望了。
在这个过程之中，有一个非常重要的点：为什么我们通过简单的平均就能够推算出这个骰子的期望呢？原因在于每一次单独实验的概率分布都是符合骰子本来的概率分布的。对于蒙特卡洛方法来说，样本的分布和要求取期望的分布一致至关重要。

蒙特卡洛方法应用的另一个常用的例子是使用计算面积。
就是这个玩意：

我们用维基百科蒙特卡洛方法词条的这个图来说明。如果我想要知道这个四分之一圆的面积，一种方法当然是测量半径，然后用圆面积公式$4\pi r^2$来算。但是假设我们回到古代，并不知道$\pi$的具体数值。就没有办法算圆的面积了么？这时候我们可以用蒙特卡洛方法解决，在一个矩形空间均匀撒下粒子，然后计算落在圆面积里面的粒子和撒下所有粒子的比值，这个比值刚好就是圆面积和这个矩形空间面积的比值。于是，圆的面积就可以被反推回来了。
这个例子实际上是由一定误导性的，原因在于：这不是最朴素的蒙特卡洛方法！！为什么呢？试问：每一个粒子遵从的是什么分布？为了让求值正确，我们投放粒子的时候是在整个空间均匀分布的。但是，属于圆的部分在这个矩形空间并非是均匀分布的。换而言之，这两个分布，不一样啊，那还算什么蒙特卡洛方法呢。那么这套算法究竟是经历了什么，让它又歪打正着算出正确的结果了呢，这就是我们要重点讨论的问题：重要性采样。

在此之前，我们还需要绕个圈子，好更好的引出我们的问题。蒙特卡洛方法其实核心就在于解决一个分布的期望问题，而且，这个分布的概率分布还他妈必须是已知的！（或者你能够确信我们的样本一定一定是和要求期望的分布时一致的）
比如，一个变量$x$的概率分布是$p(x)$，我们要求它的期望怎么求？按照定义

E(x)=∫xp