更好理解贝叶斯定律(Bayes Law)和卡曼滤波器(Kalman Filter)原理
来源:互联网 发布:荆门第四届网络作文 编辑:程序博客网 时间:2024/06/07 18:32
在概率理论中,我们都学习过 贝叶斯理论: P(A|B) = P(A)P(B|A) / P(B)。它的意义在模式识别和卡曼滤波中是基础。理解它,是学习高级算法的前提。至于模式识别和卡曼滤波等很有价值的方法的超级意义,请您自己查阅。
写本文也帮助作者更好理解贝叶斯定律。若想学,请静心。
1. 理解贝叶斯理论:
这里有事件A: 下雨
事件B: 刮风
我们的问题是: 在刮风的条件下,下雨的概率是多少? 问题就被人们抽象成了:P(A|B)=?
要解决这个问题有两个途径:
a. 在所有刮风的日子里,记录是否下雨。——如果我们知道刮风同时下雨的天数,和刮风的天数。就可以解决。
但是这种方法的理论表达式就是:P(A|B) = P(AB) / P(B). 在P(AB)未知时,我们需要利用下面的方法。
b. 有人通过研究查找,得到一些现成知识,利用这些知识,和贝叶斯定律求解。——这是贝叶斯定律的方法。
下面讨论如何利用“贝叶斯定律的方法”来求解上述问题。
我们具有的知识是:
* 在过去的几千万年来,人们在下雨的时候,都记录了刮风的日子。所以我们知道: P(B|A)
* 在过去的几千万年来,人们都记录了下雨的日子。所以我们知道: P(A)
* 在过去的几千万年来,人们都记录了刮风的日子。所以我们知道: P(B) 唯独没有人记录刮风同时下雨的日子。
上述三条都是我们的知识。利用这3条知识,我们就可以知道 P(A|B) = P(A)P(B|A) / P(B)
所以,总结一下,贝叶斯理论就是在P(AB)未知的情况下,利用我们已有的知识,解决 P(A|B)=? 的一种方法。——这是我的一种解释方式。
2. 卡曼滤波器原理:
- 更好理解贝叶斯定律(Bayes Law)和卡曼滤波器(Kalman Filter)原理
- 卡尔曼滤波器 Kalman Filter
- 卡尔曼滤波器-Kalman Filter
- 卡尔曼滤波器-Kalman Filter
- 卡尔曼滤波器(THE KALMAN FILTER)的数学原理
- Kalman Filter - Kalman滤波器从原理到实现
- 卡尔曼滤波器 – Kalman Filter
- 卡尔曼滤波器 – Kalman Filter
- 【初识】卡尔曼滤波器 Kalman Filter
- 卡尔曼滤波器 – Kalman Filter
- 卡尔曼滤波器 – Kalman Filter
- 对Kalman(卡尔曼)滤波器的理解
- 对Kalman(卡尔曼)滤波器的理解
- 对Kalman(卡尔曼)滤波器的理解
- 对Kalman(卡尔曼)滤波器的理解
- Kalman(卡尔曼)滤波器的理解
- 对Kalman(卡尔曼)滤波器的理解
- 【Kalman】卡尔曼滤波器工作原理(Link)
- linux下如何设置用户密码过期时间
- Ubuntu server 12.04 install matlab
- MFC序列化
- 黑马程序员——>第五天<面向对象(匿名对象-封装-构造代码块-this关键字)>
- android 创建webview悬浮窗口
- 更好理解贝叶斯定律(Bayes Law)和卡曼滤波器(Kalman Filter)原理
- 修改/etc/fstab文件后无法登录系统
- android199-传递序列化对象
- Intel--巧用Media SDK检查系统硬件加速
- 软件数据库移植及数据表设计
- TCP数据包重组实现分析
- java 构建路径
- 网络电视地址
- CDC和HDC的相互转换