动态滤波和卡尔曼滤波

1、先验知识

（1）、条件概率，贝叶斯公式

条件概率的定义：条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：$P(A|B)$，读作“A在B发生的条件下发生的概率”。
乘法定理：
$P(A\cap B)=P(A)\ast P(B|A)=P(B)\ast P(A|B)$
由乘法定理就可以推出全概率公式，
$P(A|B)=\frac{P(A)\ast P(B|A)}{P(B)}$,全概率公式也叫贝叶斯公式。
上式中的P(A),P(B)称为先验概率，之所以称为先验概率，是因为它们根据以往经验和分析得到的概率，不考虑其他事件的联系。P(A|B)则称为B发生后A的后验概率，它通常是“因果”中的“果”，所以被称为后验概率。注意式中事件B往往呗认为是“因”，是给定的，也就是说$P(B)$往往是一个常数，分母$P(B)$可以被扔掉，贝叶斯公式又可以被表示为，
$P(A|B)=\alpha P(B|A)\ast P(A)$
上式中的α表示归一化处理，保证概率和是1。
由于
$$P(A|B)=\sum _{i=1}^{n}P(A_i)P(B|A_i)$$
所以贝叶斯也可以表示为，
$$P(A_i|B)=\frac{P(A_i)\ast P(B|A_i)}{{\sum }_{i=1}^{n}P(A_i)P(B|A_i)}$$
贝叶斯公式

（2）、一般时序模型

在去理解卡尔曼滤波，粒子滤波之前，首先要明白我们要解决的问题是什么。根据《人工智能，一种现代方法》（PS.没看过），我们可以建立起一个一般时间序列模型，（简称时序模型），它规范了我们要解决的所有问题，如下图：

一般时序模型

这个模型包含两个序列，一个是状态序列，用X表示；一个是观测序列（又叫测量序列、证据序列、观察序列，一般叫观测序列），用Y表示。
状态序列反应了系统真实状态，一般不能被直接观测，即使被直接观测也会引进噪声。
观测序列是通过测量得到的数据，它与转态序列之间有规律性的联系。
举例说明：假设有一个人待在屋子里不知道外边有没有下雨，他于是观察进屋子里的人是否带伞，这里有没有下雨就是状态，有没有带伞就是观测。

上边这个模型有两个基本假设：
一、马尔科夫假设。假设当前状态只与上一个状态有关，而与上一个状态之前的所有状态无关。用公式来表示（式中1:t表示时刻1到时刻t的所有采样时刻）
$$P(X_{t+1}|X_{1:t})=P(X_{t+1}|X_t)$$
上面的P被称为转态转移概率。例如上面那个雨伞的例子，我们会认为今天下不下雨只与昨天下不下雨有关，与以前没有关系。
二、观测假设
假设当前观测值只依赖于当前状态，与其他时刻的状态无关。用公式来表示，
$$P(Y_t|X_{1:t})=P(Y_t|X_t)$$
上面的P被称为观测概率。例如上面那个雨伞的例子，进来的人带不带伞只与今天下不下雨有关，与之前或者未来下不下雨没关系。
由此，一个模型可以被状态转移概率矩阵和观测概率矩阵唯一确定。

这两个假设可以极大的将问题简化，而且很多实际情况符合这两个假设，即使有些偏差，我们也可以对模型进行拓展。例如雨伞的例子，我们认为今天下不下雨不仅与昨天有关，还与前天甚至更早的事件有关，那么就可以对马尔科夫假设进行拓展，拓展成二阶甚至更高阶的马尔科夫模型，例如二阶
$$P(X_{t+1}|X_{1:t})=P(X_{t+1}|X_{t-1:t})$$

那么这个模型需要完成的任务有哪些呢？主要有以下：
（1）滤波，计算
$P(X_t|Y_{1:t})$
即根据现在及现在以前的所有测量数据，估计当前的状态。在雨伞那个例子中，根据目前位置进去屋的人携带雨伞的所有观察数据，计算今天下雨的概率，这就是滤波。
（2）预测，计算
$P(X_{t+k}|Y_{1:t}),k>0$
即根据现在及现在以前的所有测量数据，估计未来某个时刻的状态。在雨伞的例子中，根据目前位置进去屋的人携带雨伞的观察数据，计算从今天开始若干天后下雨的概率，这就是预测。
（3）平滑，计算
$P(X_k|Y_{1:t}),0<k<t$
即根据现在及现在以前的所有测量数据，找到最能最可能生成这些测量数据的状态序列。例如，如果前三天每天都出现雨伞，但第四天没有出现，最有可能的解释就是前三天下雨了，而第四天没有下雨。最有可能解释也被称为解码问题，在语音识别、机器翻译等方面比较有用，最典型的方法就是隐马尔科夫模型。
（5）评估，计算
$P(Y_{1:t}|X_{1:t},\lambda )$
这里的$\lambda$是指模型，这个公式意味着在该模型下，给定到目前为止的状态序列，计算输出特定观测序列的可能性。这其实是个评估问题，可以评估模型的好坏，概率越高，意味着模型越能反应观测序列与转态序列之间的联系，模型就越好。
（6）学习，计算
$P(X_{t+1}|X_t),P(Y_t|X_t)$
学习的目的是根据历史数据得到合理的模型，一般是根据一个目标函数，对模型进行迭代更新，例如使（5）中要计算的值最大可以作为一个目标。

未完待续