从零开始搭建无人机导航系统(四)——状态估计与概率论(二)

前言

 上一篇中详细阐述了概率论的几个基本定理——概率密度函数、贝叶斯公式及推断、矩以及归一化积。

 本篇将在上一篇的基础上,围绕高斯随机过程展开,详细讨论高斯概率密度函数的定义及相关性质。

高斯概率密度函数

 首先,我们先来看一下一维情况下的高斯概率密度函数:
p ( x ∣ μ , σ 2 ) = 1 2 π σ 2 e x p ( − 1 2 ( x − μ ) 2 σ 2 ) p(x|\mu,\sigma^2)=\frac{1}{\sqrt{2\pi\sigma^2}} exp(-\frac{1}{2}\frac{(x-\mu)^2}{\sigma^2}) p(xμ,σ2)=2πσ2 1exp(21σ2(xμ)2)
 其中, μ \mu μ为均值, σ 2 \sigma^2 σ2为方差, σ \sigma σ为标准差。

 下面我们扩展到多维变量的情况。当随机变量 x ∈ R N x\in R^N xRN,多维变量的高斯分布服从 p ( x ∣ μ , Σ ) p(x|\mu,\Sigma) p(xμ,Σ),其概率密度函数可写为:
p ( x ∣ μ , Σ ) = 1 ( 2 π ) N d e t Σ e x p ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) p(x|\mu,\Sigma)=\frac{1}{\sqrt{(2\pi)^Ndet\Sigma}} exp(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu)) p(xμ,Σ)=(2π)NdetΣ 1exp(21(xμ)TΣ1(xμ))
 其中, μ ∈ R N \mu\in R^N μRN是均值,这里为矩阵形式, Σ ∈ R N \Sigma\in R^N ΣRN是协方差矩阵(对称正定矩阵),其均值与协方差可分别用下式计算:
μ = E [ x ] = ∫ − ∞ ∞ x 1 ( 2 π ) N d e t Σ e x p ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) d x \mu=E[x]=\int_{-\infty}^{\infty}x\frac{1}{\sqrt{(2\pi)^Ndet\Sigma}} exp(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu))dx μ=E[x]=x(2π)NdetΣ 1exp(21(xμ)TΣ1(xμ))dx

Σ = E [ ( x − μ ) ( x − μ ) T ] = ∫ − ∞ ∞ ( x − μ ) ( x − μ ) T 1 ( 2 π ) N d e t Σ e x p ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) d x \Sigma=E[(x-\mu)(x-\mu)^T]=\int_{-\infty}^{\infty}(x-\mu)(x-\mu)^T\frac{1}{\sqrt{(2\pi)^Ndet\Sigma}} exp(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu))dx Σ=E[(xμ)(xμ)T]=(xμ)(xμ)T(2π)NdetΣ 1exp(21(xμ)TΣ1(xμ))dx

 习惯上,我们将正态分布(高斯分布)记为:
x ∼ N ( μ , Σ ) x\sim N(\mu,\Sigma) xN(μ,Σ)
 特别的,当随机变量满足下式时,我们称该随机变量服从标准正态分布,其中 1 1 1代表 N × N N\times N N×N的单位矩阵。
x ∼ N ( 0 , 1 ) x\sim N(0,1) xN(0,1)

行列式

 细心的人可能发现,上一节中多维高斯概率密度函数中出现了 d e t det det这个符号,在线性代数中,它代表矩阵行列式的值。

 线性代数教材中以线性方程组的求解问题出发,推导行列式的由来,这里不作赘述,感兴趣的读者可自行参考线性代数教材。

二阶行列式 A = ∣ a 11 a 12 a 21 a 22 ∣ A=\begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22}\end{vmatrix} A=a11a21a12a22的计算公式如下:
d e t ( A ) = a 11 × a 22 − a 12 × a 21 det(A)=a_{11}\times a_{22}-a_{12}\times a_{21} det(A)=a11×a22a12×a21
三阶行列式 A = ∣ a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 ∣ A=\begin{vmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23}\\ a_{31} & a_{32} & a_{33}\end{vmatrix} A=a11a21a31a12a22a

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值