Bayes Filter

推导：参考https://www.cnblogs.com/ycwang16/p/5995702.html
用到的重要公式：

• 全概率公式：
  离散：
  $p(x)=\sum _{y}p(x,y)=\sum _{y}p(x|y)p(y)$
  连续：
  $p(x)=\int p(x,y)dy=\int p(x|y)p(y)dy$
• 条件概率公式：
  $p(x,y)=p(x|y)p(y)=p(y|x)p(x)$
  Note：与全概率公式很像，注意区分。
• 贝叶斯公式：
  基于全概率公式和条件概率公式可得
  $$\begin{array}{c}P(x,y)=P(x|y)P(y)=P(y|x)P(x)\\ \Rightarrow \\ P(x|y)=\frac{P(y|x)P(x)}{P(y)}=\frac{\text{causal knowledge}\cdot \text{prior knowledge}}{\text{prior knowledge}}\end{array}$$
• 融合多传感的贝叶斯公式：
  $$\begin{array}{l}P(x|y,z)=\frac{P(x,y,z)}{P(y,z)}\\ =\frac{P(y|x,z)p(x,z)}{P(y,z)}\\ =\frac{P(y|x,z)p(x|z)p(z)}{P(y|z)p(z)}\\ =\frac{P(y|x,z)p(x|z)}{P(y|z)}\end{array}$$
  所以：
  $$P(x|y,z)=\frac{P(y|x,z)P(x|z)}{P(y|z)}$$
  例子：
  
• Bayes Filter例子：
  https://www.cnblogs.com/gary-guo/p/5130795.html
• 一些名词：
  http://noahsnail.com/2018/05/17/2018-05-17-%E8%B4%9D%E5%8F%B6%E6%96%AF%E4%BC%B0%E8%AE%A1%E3%80%81%E6%9C%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1%E3%80%81%E6%9C%80%E5%A4%A7%E5%90%8E%E9%AA%8C%E6%A6%82%E7%8E%87%E4%BC%B0%E8%AE%A1/