贝叶斯滤波与卡尔曼滤波P3
贝叶斯滤波与卡尔曼滤波P3
贝叶斯滤波三大概率
先验概率
做试验之前的概率,可以乱猜,也可以感觉和经验
后验概率
做完试验之后的概率
似然概率
X
,
Y
X,Y
X,Y表示随机变量
x
,
y
x,y
x,y表示随机变量的取值,代表随机试验的一个可能结果
例 1:正
X
=
1
X=1
X=1做一次随机实验,结果为正面朝上
例子:
先验概率 加和 为 1
后验概率 加和 为 1
似然概率 加和不为 1
P
(
T
m
=
10.3
∣
T
=
10
)
P(T_m = 10.3 | T=10)
P(Tm=10.3∣T=10) 当真实温度为10时,温度计温度为10.3
P
(
T
m
=
10.3
∣
T
=
11
)
P(T_m = 10.3 | T=11)
P(Tm=10.3∣T=11) 当真实温度为11时,温度计温度为10.3
对两个不同的真实值做的测量,两个不同的随机事件,他们之间的概率没有关系。
在本例子中,似然概率是衡量传感器不确定性的。该不确定性不受测量的温度影响,测量温水和开水的误差是一样的,是传感器本身的性质。
第四个概率
许多教程认为
P
(
T
m
=
10.3
)
P(T_m = 10.3)
P(Tm=10.3)与T无关, 这个结论是含糊的
独立 无关 没有影响
T
m
=
10.3
T_m = 10.3
Tm=10.3 温度计测量值为10.3 这个表示为一个事件
P
(
T
m
=
10.3
)
P(T_m = 10.3)
P(Tm=10.3) 温度计测量值为10.3的概率
10.3为温度计随机事件的其中一个结果
随机变量的取值代表一次随机试验的可能结果
随机变量的分布律代表你对这个随机变量不确定程度的刻画
因为先验概率与似然概率都是定值,所以
P
(
T
m
=
10.3
)
P(T_m = 10.3)
P(Tm=10.3)为定值。
例如:把硬币从反面转到了背面,硬币结果的分布律是不变了
原文视频:
https://www.bilibili.com/video/BV1aE411p7VE?from=search&seid=6775770845340948773