一.绪论
贝叶斯滤波:通过概率统计的方法(贝叶斯公式),对随机变量进行处理,来减小他的不确定度。
这里所指的随机变量和教材中所说的变量并不是一回事,贝叶斯滤波中所提到的随机变量更多的是一个随机过程,而随机过程最大的特点便是他取消了独立性,这意味着这个随机过程不再满足大数定律(在无数次随机实验(在相同条件下,可重复进行;一次试验,结果不确定,所有可能的结果已知;实验之前,实验结果预先未知)后,可以用频率表示概率),所以我们无法对这个概率赋值。
可以看到,当随机过程与时间相关联时,那么便无法做重复实验,得到概率;如股市变化,气温变化等都是与时间联系紧密的;抛硬币这种事件与时间无关,则可以做重复实验,得到概率。
所以,对于一个随机过程来说,他的X1....Xn之间是相互不独立的。那么我们怎么对这个概率赋值呢?我们这里想到一种方法,如果能得到Xk和f(Xk-1)之间的关系,便可以推导出P(Xk)=P(f(Xk-1)),这里也正是利用了Xk和Xk-1之间的不独立性,与时间是相关联的,而得到的结论。因此,根据递推关系,初值P(X1)的选取变得尤为重要。
对P(X1)不同的主观概率必然会导致不同的结果,因此我们将引入外部观测(证据、信息)来影响我们的主观概率的选取。因此。主观概率在外部观测的影响下,会得到一个相对客观的概率,这个概率才是我们想要的数值,这个相对客观的概率,也就是我们常听到的后验概率(实验之后的概率,在先验的基础上,经过外部观测的矫正得到的实验后的相对准确的概率),而这个主观概率也就是我们长听到的先验概率(先于实验之前的概率,凭感觉和经验猜测的主观意义上的概率)。
那这个外部观测是怎样把先验概率变成后验概率的呢,其实他就是通过贝叶斯公式做到的,这个在之后都会提到。
二.离散随机变量的贝叶斯滤波
现在我们来假设一个情景,我现在想要估计一下今天的气温,首先先验概率分布
其中,温度计观测的概率P(T=10.3)即为外部观测的概率,由于温度计也有误差,所以我们不能直接把温度计所测的数据当成真实的气温数值,应该由贝叶斯公式算出后验概率。我们分别算出T=10和11的后验概率。
似然概率是用来衡量传感器(温度计)测量精度的一个指标。
对于分母的那个P(T=10.3)的概率,很多教材里讲的是,他与T无关。所以把它视为常数,那么这个常数具体等于多少呢,我们这里根据全概率公式
把T=10和11当成原因,T=10.3当成结果,根据全概率公式计算得出想要的概率。
根据全概率公式,由于展开为似然*先验+似然*先验,似然表示传感器测量精度,为固有属性,先验也固定,所以可以把分母视为常数。
由此可以把整个求后验的贝叶斯公式改写为如下形式
也可以理解为
三.连续随机变量的贝叶斯公式
继续推导
所以,最终的后验为
四、随机过程的贝叶斯滤波
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)