概率机器人
文章平均质量分 79
程序猿小怪兽
这个作者很懒,什么都没留下…
展开
-
两个高斯分布相加(卷积)的理论推导
本文主要推导两个高斯分布的相加结果。在知乎上有个问题:**正态分布随机变量的和还是正态分布吗?** 也是本文主要解决的问题。直觉中,两个高斯(正态)随机变量的和似乎应该是两个概率密度函数的和,如下图所示,其结果就近似为两个概率密度的包络线,这明显是错误的,是用直觉推导数学,大错特错。在解决此问题前,我们需要搞清楚两个高斯函数的和的物理意义,这里用经典的投骰子作为为例子更好理解。离散卷积:投骰子 - 同时投求两个骰子所的点数相加得4的概率是多少?则其结果为p1(1)p2(3)+p1(2.原创 2020-06-25 20:05:21 · 45872 阅读 · 11 评论 -
两个高斯分布乘积的理论推导
本文主要推导高斯分布(正态分布)的乘积,以便能更清楚的明白Kalman滤波的最后矫正公式。Kalman滤波主要分为两大步骤:1.系统状态转移估计,2.系统测量矫正;在第2步中的主要理论依据就是两个独立高斯分布的乘积如何计算的问题,即如何融合 估计值 和 观测值 得到系统状态的最优估计。高斯分布的概率密度函数:f(x)=12πδe−(x−u)22δ2(1) f(x) = \frac{1}{\sqrt{2\pi}\delta}{e^{-\frac{(x-u)^2}{2\delta^2}}} \ta原创 2020-06-23 17:03:39 · 44931 阅读 · 37 评论 -
高斯分布的积分期望E(X)方差V(X)的理论推导
高斯分布的积分期望E(X)方差V(X)的理论推导)你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。这里是引用[ fg ][ ][ ][ ] List item...原创 2020-06-20 16:37:09 · 20667 阅读 · 0 评论