对待事物,从对比和更高层次先去理解会透彻很多
像卡尔曼滤波,高斯是用它的矩参数来描述的,也就是均值(一阶矩),方差(二阶矩)就可以描述一个滤波。还有一种和卡尔曼滤波对偶的滤波叫做信息滤波(information filter),就是用它的正则参数来表述,用一个信息矩阵和一个信息向量来描述
信息矩阵为协方差矩阵的逆
信息向量
当然,信息滤波这个东西存在肯定是有它的应用意义的,例如,如果要表示不确定性只用将信息矩阵等于0即可,但是如果是在卡尔曼滤波中要表示不确定,意思就是无穷级的协方差
信息滤波及其扩展方法,例如之前提到的扩展信息滤波,使机器人能够进行信息整合,而不是立即将信息转化成概率。这一点在涉及成百甚至更多变量的复杂估计问题时有很大的优势。
上面这两种都是参数滤波,也就是用类似均值方差这种的参数就可以描述一个滤波
下面有几种是非参数滤波的。
他们并不用高斯去估计后验,而是根据有穷数量的值去估计后验。主要代表有直方图滤波,离散贝叶斯滤波和粒子滤波