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：
$$p(x|\mu ,{\sigma }^2)=\frac{1}{\sqrt{2\pi {\sigma }^2}}exp(-\frac{1}{2}\frac{(x-\mu {)}^2}{{\sigma }^2})$$
 其中，$\mu$为均值，${\sigma }^2$为方差，$\sigma$为标准差。

 下面我们扩展到多维变量的情况。当随机变量$x\in R^N$，多维变量的高斯分布服从$p(x|\mu ,\Sigma )$，其概率密度函数可写为：
$$p(x|\mu ,\Sigma )=\frac{1}{\sqrt{(2\pi {)}^{N}det\Sigma }}exp(-\frac{1}{2}(x-\mu {)}^T{\Sigma }^{-1}(x-\mu ))$$
 其中，$\mu \in R^N$是均值，这里为矩阵形式，$\Sigma \in R^N$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：
$$\mu =E[x]={\int }_{-\infty }^{\infty }x\frac{1}{\sqrt{(2\pi {)}^{N}det\Sigma }}exp(-\frac{1}{2}(x-\mu {)}^T{\Sigma }^{-1}(x-\mu ))dx$$

$$\Sigma =E[(x-\mu )(x-\mu {)}^T]={\int }_{-\infty }^{\infty }(x-\mu )(x-\mu {)}^T\frac{1}{\sqrt{(2\pi {)}^{N}det\Sigma }}exp(-\frac{1}{2}(x-\mu {)}^T{\Sigma }^{-1}(x-\mu ))dx$$

 习惯上，我们将正态分布（高斯分布）记为：
$$x\sim N(\mu ,\Sigma )$$
 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$1$代表$N\times N$的单位矩阵。
$$x\sim N(0,1)$$

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$det$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$A=\left|\begin{array}{cc}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right|$的计算公式如下：
$$det(A)=a_{11}\times a_{22}-a_{12}\times a_{21}$$
 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=∣∣∣∣∣∣​a11​a21​a31​​a12​a22​a