贝叶斯法则及滤波

1. 贝叶斯法则

• 贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1763 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则：P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B)，可以立刻导出贝叶斯定理公式：P(A|B)=P(B|A)*P(A)/P(B)。
• 通常，事件A在事件B(发生)的条件下的概率，与事件B在事件A的条件下的概率是不一样的；然而，这两者是有确定的关系,贝叶斯法则就是这种关系的陈述。
• Pr(A)是A的先验概率或边缘概率。之所以称为"先验"是因为它不考虑任何B方面的因素。
• Pr(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。Pr(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。
• Pr(B)是B的先验概率或边缘概率，也作标准化常量（normalized constant）。先验概率的计算比较简单，没有使用贝叶斯公式；而后验概率的计算，要使用贝叶斯公式。
  若用Pr(B|A)/Pr(B)表示标准似然度，则后验概率 = 标准似然度 * 先验概率。
  例子：
  一座鸡舍两年内一共发生过 2 次偷鸡事件，鸡舍的前有一条狗，狗平均每周晚上叫 4次，在偷鸡贼偷鸡时狗叫的概率被估计为 0.9，那么，在狗叫的时候发生偷鸡贼偷鸡的概率是多少？
  我们假设 A 事件为狗在晚上叫，B 为偷鸡贼偷鸡，则 P(A) = 3 / 7，P(B)=2/(2×365)=2/730，P(A | B) = 0.9，按照公式很容易得出结果：P(B|A)=0.9×(2/730)/(3/7)=0.0058

2. 贝叶斯滤波

• 基本思想：
  已知类条件概率密度参数表达式和先验概率；
  利用贝叶斯公式转换成后验概率；
  根据后验概率大小进行决策分类。
• 贝叶斯滤波的核心思想就是利用已知的信息来判断状态变量的后验概率，在目标跟踪中也就是对所有观测值 Z₁：Z_k={Z₁,Z₂…Z_k}已知的情况下，计算出后验概率P(X_k|Z_1:k)，其计算的方法具体分为预测和更新两步。
  预测：在系统还没有获得 k 时刻观测值 Zk情况下，利用 k-1 时刻的先验概率P(X_k-1|Z_1:k-1)及 k 时刻的先验概率P(X_k|Z_1:k-1)得到预测值。
  更新：更新实际上是对预测的一个修正过程，利用最新的观测值 Z_k和前面求得到P(X_k|Z_1:k-1)得到 k 时刻的后验概率P(X_k|Z_1:k)。