涉及到了联合概率分布的知识,将公式粒子化以方便计算机运算
前面介绍了理论测量模型 O k O_k Ok和杂波模型 C k C_k Ck,这里来介绍实际测量模型 Z k Z_k Zk,其中, Z k = ( O k , C k ) Z_k=(O_k,C_k) Zk=(Ok,Ck),表示 O k , C k O_k,C_k Ok,Ck随机排列也就是顺序是随机排的。回想在贝叶斯滤波那边,建立测量模型的作用是什么?测量模型求似然概率,然后才可以用贝叶斯公式求解后验概率。所谓的,更新步用贝叶斯公式和测量模型。
由于杂波的个数是不确定的,也就导致最终测量值的个数 ∣ Z k ∣ |Z_k| ∣Zk∣也是不确定的,设变量 m = ∣ Z k ∣ m=|Z_k| m=∣Zk∣,表示测量集合中含有的元素点的个数。此外还需要引入假设的概念 θ = { i > 0 i f − Z i − i s − a n − o b j e c t − d e t e c t i o n 0 i f − u n d e t e c t − o b j e c t \theta=\left\{\begin{matrix} i>0 &if- Z^i- is- an -object-detection\\ 0& if-undetect- object \end{matrix}\right. θ={i>00if−Zi−is−an−object−detectionif−undetect−object举个例子:假设现在 Z = [ 0.1 , 5.0 , 3.2 , 6.0 ] Z=[0.1,5.0,3.2,6.0] Z=[0.1,5.0,3.2,6.0]有4个测量值,这4个测量值可能都是杂波即此次没有检测到物体,也可能是其中有一个是物体而其他三个是杂波——这就是我们开始进行的假设。
第0个假设即
θ
=
0
\theta=0
θ=0时:表示没有检测到物体,也就是说此次
Z
Z
Z中的值都是杂波。然后我们能根据杂波模型和测量模型来计算一下是这种情况的可能性:如果传感器的检测概率
P
D
=
1
P^D=1
PD=1,也就说根本不可能漏检,那么显然这第0个假设很不靠谱,这个假设能够成立的概率是0。如果传感器的检测成功的概率
P
D
=
0.9
P^D=0.9
PD=0.9,也就是说有可能会漏检,那么这第0个假设就有可能发生,就需要计算一下第0个假设所表示的情况能够出现的概率,这时这个问题在添加了这个假设后就“简化成”了这样的:在已知杂波模型和测量模型以及此次的测量值
Z
Z
Z后,这次的测量值都是杂波即都来自杂波模型,求这种情况发生的概率?首先是判断为没有检测到物体:
1
−
P
D
1-P^D
1−PD;然后是杂波个数符合泊松分布,计算杂波个数所对应的概率值;最后是求
Z
k
i
Z_k^i
Zki都是杂波,求对应的概率值,然后累乘即可。计算式:
(
1
−
P
D
)
P
o
(
m
;
λ
c
)
∏
i
=
1
m
f
c
(
Z
i
)
=
(
1
−
P
D
)
e
−
λ
c
m
!
∏
i
=
1
m
λ
(
Z
i
)
=
(
1
−
0.9
)
e
−
3
4
!
λ
(
0.1
)
λ
(
5.0
)
λ
(
3.2
)
λ
(
6.0
)
(1-P^D)Po(m;\lambda_c)\prod_{i=1}^{m}f_c(Z^i)=\\(1-P^D)\frac{e^{-\lambda_c}}{m!}\prod_{i=1}^{m}\lambda(Z^i)=\\(1-0.9)\frac{e^{-3}}{4!}\lambda(0.1)\lambda(5.0)\lambda(3.2)\lambda(6.0)
(1−PD)Po(m;λc)i=1∏mfc(Zi)=(1−PD)m!e−λci=1∏mλ(Zi)=(1−0.9)4!e−3λ(0.1)λ(5.0)λ(3.2)λ(6.0)这里,我们取平均泊松比为3,
Z
Z
Z中元素个数显然是4,另外就是带入
Z
k
i
Z_k^i
Zki到强度函数中。我们这里也可以先任意定一个强度函数
f
c
(
c
)
=
{
1
4
c
∈
[
3
,
7
]
0
o
t
h
e
r
s
f_c(c)=\left\{\begin{matrix} \frac{1}{4} &c\in[3,7] \\ 0 &others \end{matrix}\right.
fc(c)={410c∈[3,7]others而
λ
(
c
)
=
λ
c
f
c
(
c
)
,
\lambda(c)=\lambda_cf_c(c),
λ(c)=λcfc(c),然后带入可以求值:
0.1
∗
e
−
3
4
!
∗
(
3
/
4
)
3
0.1*\frac{e^{-3}}{4!}*(3/4)^3
0.1∗4!e−3∗(3/4)3
感觉有点不对劲!!!—— 这个
λ
(
0.1
)
\lambda(0.1)
λ(0.1)的值到底是多少?是0还是1?(什么是均匀分布??概率密度和概率分布要能区分出来啊!)
第1个假设即 θ = 1 \theta=1 θ=1时:表示 Z θ = Z 1 Z^{\theta}=Z^1 Zθ=Z1是物体,而其他三个都是杂波。显然这种情况是存在的,我们也需要计算一下这种情况发生的概率。问题“简化成”:在已知杂波模型和测量模型以及此次的测量值 Z Z Z后,这次的测量值中 Z θ = Z 1 Z^{\theta}=Z^1 Zθ=Z1是物体来自测量模型,其余的都是杂波即都来自杂波模型,求这种情况发生的概率?计算的概率是: P D P o ( m − 1 ; λ c ) 1 m g k ( z θ ∣ x ) ∏ i = 1 m f c ( z i ) f c ( z θ ) = P D g k ( z θ ∣ x ) λ ( z θ ) e − λ c m ! ∏ i = 1 m λ ( z i ) = 0.9 ∗ g k ( z 1 ∣ x ) λ ( z 1 ) e − 3 4 ! λ ( z 1 ) λ ( z 2 ) λ ( z 3 ) λ ( z 4 ) P^DPo(m-1;\lambda_c)\frac{1}{m}g_k(z^{\theta}|x)\frac{\prod_{i=1}^{m}f_c(z^i)}{f_c(z^{\theta})}\\=P^D\frac{g_k(z^{\theta}|x)}{\lambda(z^{\theta})}\frac{e^{-\lambda_c}}{m!}\prod_{i=1}^{m}\lambda(z^i)\\=0.9*\frac{g_k(z^{1}|x)}{\lambda(z^{1})}\frac{e^{-3}}{4!}\lambda(z^1)\lambda(z^2)\lambda(z^3)\lambda(z^4) PDPo(m−1;λc)m1gk(zθ∣x)fc(zθ)∏i=1mfc(zi)=PDλ(zθ)gk(zθ∣x)m!e−λci=1∏mλ(zi)=0.9∗λ(z1)gk(z1∣x)4!e−3λ(z1)λ(z2)λ(z3)λ(z4)这里的 g k ( ) g_k() gk()是理论测量模型的概率分布,反映传感器的测量精度,当简化问题时,可以认为 g k ( ) g_k() gk()是正态分布,其中参照量是 x x x。
第2个假设即 θ = 2 \theta=2 θ=2时:表示 Z θ = Z 2 Z^{\theta}=Z^2 Zθ=Z2是物体,而其他三个都是杂波。
第3个假设即 θ = 3 \theta=3 θ=3时:表示 Z θ = Z 3 Z^{\theta}=Z^3 Zθ=Z3是物体,而其他三个都是杂波。
第4个假设即 θ = 4 \theta=4 θ=4时:表示 Z θ = Z 4 Z^{\theta}=Z^4 Zθ=Z4是物体,而其他三个都是杂波。
共5个假设,覆盖了所有可能的情况
把这5种情况各自的概率相加即可??最后的结果是多峰分布??
似然概率的推导和计算
m
m
m表示
Z
Z
Z中元素个数,
θ
\theta
θ表示所做假设
p
(
Z
∣
X
)
=
p
(
Z
,
m
∣
X
)
=
∑
θ
=
0
m
p
(
Z
,
m
,
θ
∣
X
)
p(Z|X)=p(Z,m|X)=\sum_{\theta=0}^{m}p(Z,m,\theta|X)
p(Z∣X)=p(Z,m∣X)=θ=0∑mp(Z,m,θ∣X)由于
Z
Z
Z定下后,
m
m
m随之定下即
m
m
m实际上是包含在
Z
Z
Z中的信息,因此可以有
p
(
Z
∣
X
)
=
p
(
Z
,
m
∣
X
)
p(Z|X)=p(Z,m|X)
p(Z∣X)=p(Z,m∣X),这里
p
(
Z
,
m
∣
X
)
p(Z,m|X)
p(Z,m∣X)是关于
(
Z
,
m
)
(Z,m)
(Z,m)的二维联合概率分布,只是这两个变量并不是独立的,是包含关系。而
p
(
Z
,
m
,
θ
∣
X
)
p(Z,m,\theta|X)
p(Z,m,θ∣X)是关于
(
Z
,
m
,
θ
)
(Z,m,\theta)
(Z,m,θ)的三维联合概率分布,这里
Z
Z
Z和
θ
\theta
θ则不存在包含关系,更接近一般所说的二维联合分布。而对
θ
\theta
θ变量求和即对
θ
\theta
θ求积分,相当于把
θ
\theta
θ消去了,求得结果是关于
Z
Z
Z的边缘密度。
补充关于联合概率分布的式子
p(A,B) = p(B|A)p(A)
p(a,b|c) = p(a,b,c)/p(c) = [p(a,b,c)/p(b,c)] * [p(b,c)/p(c)]
= p(a|b,c)p(b|c)
设 A A A事件: Z Z Z; B B B事件: m m m; C C C事件: θ \theta θ; D D D事件: X X X;其中 B B B事件包含在 A A A事件中
则 p ( A , B , C ∣ D ) = p ( A , B , C , D ) p ( D ) p(A,B,C|D)=\frac{p(A,B,C,D)}{p(D)} p(A,B,C∣D)=p(D)p(A,B,C,D)由于 p ( A ∣ B , C , D ) = p ( A , B , C , D ) p ( B , C , D ) p(A|B,C,D)=\frac{p(A,B,C,D)}{p(B,C,D)} p(A∣B,C,D)=p(B,C,D)p(A,B,C,D)将其带入到上式中 p ( A , B , C ∣ D ) = p ( A , B , C , D ) p ( D ) = p ( A ∣ B , C , D ) p ( B , C , D ) p ( D ) = p ( A ∣ B , C , D ) p ( B , C ∣ D ) p(A,B,C|D)=\frac{p(A,B,C,D)}{p(D)}\\=\frac{p(A|B,C,D)p(B,C,D)}{p(D)}\\=p(A|B,C,D)p(B,C|D) p(A,B,C∣D)=p(D)p(A,B,C,D)=p(D)p(A∣B,C,D)p(B,C,D)=p(A∣B,C,D)p(B,C∣D)即得到 p ( Z ∣ X ) = ∑ θ = 0 m p ( Z ∣ m , θ , X ) p ( θ , m ∣ X ) p(Z|X)=\sum_{\theta=0}^{m}p(Z|m,\theta,X)p(\theta,m|X) p(Z∣X)=θ=0∑mp(Z∣m,θ,X)p(θ,m∣X)现在简单解释一下各项的意义
p
(
Z
∣
m
,
θ
,
X
)
p(Z|m,\theta,X)
p(Z∣m,θ,X):已知元素个数
m
m
m、具体到某一个假设
θ
\theta
θ、真值
X
X
X时,求有多大概率传感器会测成
Z
Z
Z——以
θ
=
1
\theta=1
θ=1时为例:即测成
z
1
z^1
z1是物体而来自理论测量模型,其他的
z
2
,
z
3
,
z
4
z^2,z^3,z^4
z2,z3,z4均是杂波点而来自杂波模型。这是在假设条件下(添加这个假设从而简化了原来的问题)再求
Z
Z
Z,表示了一个简化后的问题而已。
p
(
m
,
θ
∣
X
)
p(m,\theta|X)
p(m,θ∣X):根据
X
X
X确定
m
,
θ
m,\theta
m,θ的值——即有多大概率会是有
m
m
m个元素且是第
θ
\theta
θ个假设,类似于假设的可靠程度。根据
X
X
X去推断测量结果的个数以及哪一个测量值会是物体,这个推断的可靠程度。
理解了这一部分的推导以及这两项的意义就能较好的理解这个实际测量模型了,从而求得实际似然概率。
接下来分别求出这两项,然后相乘再求出每个假设下的,最后累加即可得到最终结果。
当
θ
=
0
\theta=0
θ=0时,表示物体没有被检测到,
m
m
m个杂波检测。
这时,
p
(
m
,
θ
∣
X
)
p(m,\theta|X)
p(m,θ∣X)对应的推断是:测量中有
0
0
0个物体,有
m
m
m个杂波。前者对应的概率是
1
−
P
D
1-P^D
1−PD,后者对应的概率是
P
o
(
m
;
λ
c
)
Po(m;\lambda_c)
Po(m;λc)。这一项主要是用来确定假设——即分辨出哪一项是物体,哪几项是杂波,所以实际上是关于个数的确定。因此刚好对应测量模型中的伯努利检测部分和杂波模型的泊松分布部分,这两部分都是和个数有关的。而具体的某个点的分布特征则是
g
k
(
)
g_k()
gk()和
f
c
(
)
f_c()
fc(),这是
p
(
Z
∣
m
,
θ
,
X
)
p(Z|m,\theta,X)
p(Z∣m,θ,X)这一项负责的。则计算式子是:
p
(
m
,
θ
=
0
∣
X
)
=
(
1
−
P
D
)
P
o
(
m
;
λ
c
)
p(m,\theta=0|X)=(1-P^D)Po(m;\lambda_c)
p(m,θ=0∣X)=(1−PD)Po(m;λc)
而
p
(
Z
∣
m
,
θ
,
X
)
p(Z|m,\theta,X)
p(Z∣m,θ,X):当
Z
Z
Z中元素都是杂波即有
m
m
m个杂波时,求这种情况的发生概率——添加假设条件后而简化后的问题。其计算式子是:
p
(
Z
∣
m
,
θ
=
0
,
X
)
=
∏
i
=
1
m
f
c
(
z
i
)
p(Z|m,\theta=0,X)=\prod_{i=1}^{m}f_c(z^i)
p(Z∣m,θ=0,X)=i=1∏mfc(zi)
当
θ
=
1
\theta=1
θ=1时,表示
z
1
z^1
z1是物体,其他
m
−
1
m-1
m−1个测量点都是杂波。
此时,
p
(
m
,
θ
=
1
∣
X
)
p(m,\theta=1|X)
p(m,θ=1∣X)对应的推断是:测量中有
1
1
1个物体即
z
1
z^1
z1,有
m
−
1
m-1
m−1个杂波。前者的概率是
P
D
P^D
PD即成功检测到物体,后者的概率是
P
o
(
m
−
1
;
λ
c
)
1
m
Po(m-1;\lambda_c)\frac{1}{m}
Po(m−1;λc)m1——泊松分布表示杂波模型中有
m
−
1
m-1
m−1个杂波,但
1
m
\frac{1}{m}
m1表示的是什么?表示
P
(
θ
=
1
)
=
1
/
m
?
P(\theta=1)=1/m?
P(θ=1)=1/m?计算式:
p
(
m
,
θ
=
1
∣
X
)
=
P
D
P
o
(
m
−
1
;
λ
c
)
1
m
p(m,\theta=1|X)=P^DPo(m-1;\lambda_c)\frac{1}{m}
p(m,θ=1∣X)=PDPo(m−1;λc)m1
而
p
(
Z
∣
m
,
θ
=
1
,
X
)
p(Z|m,\theta=1,X)
p(Z∣m,θ=1,X):当
Z
Z
Z中只有
z
1
z^1
z1是物体,其余元素都是杂波即有
m
−
1
m-1
m−1个杂波时,求这种情况的发生概率——添加假设条件后而简化后的问题。其计算式子:
p
(
Z
∣
m
,
θ
=
1
,
X
)
=
g
k
(
z
1
∣
x
)
∏
i
=
1
m
f
c
(
z
i
)
f
c
(
z
1
)
p(Z|m,\theta=1,X)=g_k(z^1|x)\frac{\prod_{i=1}^{m}f_c(z^i)}{f_c(z^1)}
p(Z∣m,θ=1,X)=gk(z1∣x)fc(z1)∏i=1mfc(zi)这里为什么
z
z
z作为了
g
k
(
)
g_k()
gk()函数的自变量,不应该是
o
o
o吗?——因为
z
z
z是由
(
o
,
c
)
(o,c)
(o,c)混合排列的结果,那么自然有某个
z
j
z^j
zj就是
o
o
o,那么这个
z
j
z^j
zj也就跟着这个
o
o
o符合理论测量模型
g
k
(
)
g_k()
gk()了。剩余的其他的
z
z
z元素被判定是杂波点,来自杂波模型,自然也就是符合
f
c
(
)
f_c()
fc()了。
同理,可推导出其他假设的计算式即
θ
∈
(
1
,
2
,
3
,
.
.
.
,
m
)
\theta\in (1,2,3,...,m)
θ∈(1,2,3,...,m),然后把所有假设对应的结果累加起来即可得到
p
(
z
∣
x
)
p(z|x)
p(z∣x),表达式为
p
(
z
∣
x
)
=
∑
θ
=
0
m
p
(
z
,
m
,
θ
∣
x
)
=
[
(
1
−
P
D
)
+
P
D
∑
θ
=
1
m
g
k
(
z
θ
∣
x
)
λ
(
z
θ
)
]
e
−
λ
c
m
!
∏
i
=
1
m
λ
(
z
i
)
p(z|x)=\sum_{\theta=0}^{m}p(z,m,\theta|x)\\=[(1-P^D)+P^D\sum_{\theta=1}^{m}\frac{g_k(z^{\theta}|x)}{\lambda(z^{\theta})}]\frac{e^{-\lambda_c}}{m!}\prod_{i=1}^{m}\lambda(z^i)
p(z∣x)=θ=0∑mp(z,m,θ∣x)=[(1−PD)+PDθ=1∑mλ(zθ)gk(zθ∣x)]m!e−λci=1∏mλ(zi)这就是根据实际测量模型得到的似然概率的计算公式,后面可用于贝叶斯公式,以完成更新步。