更好理解贝叶斯定律(Bayes Law)和卡曼滤波器(Kalman Filter)原理

在概率理论中，我们都学习过 贝叶斯理论： P(A|B) = P(A)P(B|A) / P(B)。它的意义在模式识别和卡曼滤波中是基础。理解它，是学习高级算法的前提。至于模式识别和卡曼滤波等很有价值的方法的超级意义，请您自己查阅。

写本文也帮助作者更好理解贝叶斯定律。若想学，请静心。

1. 理解贝叶斯理论：

这里有事件A: 下雨

   事件B: 刮风

我们的问题是： 在刮风的条件下，下雨的概率是多少？ 问题就被人们抽象成了：P(A|B)=?  

要解决这个问题有两个途径：

    a. 在所有刮风的日子里，记录是否下雨。——如果我们知道刮风同时下雨的天数，和刮风的天数。就可以解决。

      但是这种方法的理论表达式就是：P(A|B) = P(AB) / P(B). 在P(AB)未知时，我们需要利用下面的方法。