贝叶斯滤波
学点东西吧
经常不来,随缘回复
展开
-
从贝叶斯滤波到卡尔曼滤波(二)
前面介绍了离散型的贝叶斯滤波公式以及贝叶斯的基本原理,接下来要介绍连续型随机变量的贝叶斯滤波,这个是我们以后更经常用到的 连续型的随机变量的分布常常用概率密度来表示,因此,我们设: X是预测值,Y是测量值,两者都是随机变量;小写的 x , y 则是对应的具体取值 表示预测值随机变量的概率密度分布,表征其概率分布情况,即先验概率分布 表示测量值随即变量的概率密度分布——用概率分布描述测量值出现的可能性 似然概率的概率密度分布,在随机变量X=x的前提下(即真值X=x,猜测的是真值),预测值随机原创 2020-11-11 11:13:20 · 625 阅读 · 0 评论 -
从贝叶斯滤波到卡尔曼滤波(一)
这要从随机试验开始谈起,毕竟这是基于概率论和数理统计的 首先,什么是随机试验,有哪些特点? 随机试验(random experiment)是在相同条件下对某随机现象进行的大量重复观测。概率统计需要对某随机现象进行大量的重复观测,或在相同条件下重复试验,观察其结果,才能获得统计规律性的认识。任何随机试验都包含试验条件和试验结果两个方面。试验条件必须相同,而试验结果具有随机性。所以,随机试验具有以下特点: 1.可重复性:试验在相同条件下可重复进行; 2.可知性:每次试验的可能结果不止一个,并且事先能明原创 2020-11-11 01:29:19 · 857 阅读 · 0 评论 -
从贝叶斯滤波到卡尔曼滤波(零)
什么是滤波? 无论是建立的模型方程来推测出的数据,还是用传感器直接测量出的数据,总不是那么理想的拟合曲线,总存在偏差、方差,而滤波就是为了尽可能的减小这些方差,减少噪声的干扰,从而使最终得到的数据更接近真实值——即方差趋于0。所以,滤波就是在减小方差。 如何理解每个时刻都是随机变量? 我们知道,我们需要采样,存在采样间隔,而每个采样点的值实际上我们都是不能确定的,就只能看做是随机变量 贝叶斯滤波的简单原理? 主观概率+外部观测=相对客观的概率 主观概率:人的主观猜测或者说人根据某些知识、经验建立原创 2020-11-09 16:25:15 · 798 阅读 · 0 评论