贝叶斯滤波
来源:互联网 发布:java生成log日志文件 编辑:程序博客网 时间:2024/05/01 00:48
记忆力差的孩纸得勤做笔记!
滤波过程一般分为两个步骤:预测和更新。贝叶斯滤波器当然也不例外。
预测过程中,不使用当前时刻的测量值,因此预测过程中的后验概率为:
第一步到第三步的推导为全概率公式;第三步到第四步是由系统的状态方程可知,系统t时刻的状态只与第t-1个时刻的状态以及第t个时刻的控制量相关。
更新的过程中,需要用第t时刻(当前时刻)的测量值对上一过程中的预测结果进行校正(滤波的思想都是先预测,再校正,再预测,再校正。。。一直循环的过程。):
具体推导过程如下:
即可得到: ,第一步到第二步用到贝叶斯公式(本质上还是全概率公式);第二步到第三步是系统的观测方程可知,系统第t时刻的观测值只与第t时刻的状态值有关。至此,已经完成了贝叶斯滤波的大部分推导,但是式子中还有一个未曾进行进一步说明。
这里的在概率机器人一书中,被称之为归一化因子,具体表现形式如下:
这个怎么理解勒?在请教一位叫做f博的大牛后,他告诉我此项为常数的原因是该项可以理解成传感器精度,第二项中可以理解成,我根据已有经验确定了当前状态为,第二行公式就表示在该先验下,传感器测量正确的概率,这个当然只与传感器精度有关了。
至此,打完收工!
0 0
- 贝叶斯滤波
- 滤波
- 滤波
- 滤波
- 滤波
- 滤波
- 滤波
- 滤波
- 2.4 BAYES FILTER 贝叶斯滤波
- 无人驾驶定位与贝叶斯滤波
- 软件滤波,硬件滤波
- 均值滤波,中值滤波,最大最小值滤波
- 非线性滤波专场:中值滤波、双边滤波
- 均值滤波 中值滤波 对称均值滤波
- 概率机器人 第二章 递归状态估计(贝叶斯滤波)
- 滤波算法
- 数字滤波
- 数字滤波
- thinkphp5.0流程
- eclipse svn 报错 文件夹已经不存在
- ORACLE 查询所有表,某个表的字段和所有表的字段和注释
- 浙大PAT甲级 1097
- C++ 最简真分数(九度OJ 1465)
- 贝叶斯滤波
- 从招式与内功谈起——设计模式概述(二)
- springboot+cxf 发布服务接口简单例子
- linux学习笔记之特殊设备loop挂载
- 从招式与内功谈起——设计模式概述(三)
- Appium 元素定位
- Gradle中文文档
- ios UINavigationController 修改返回按钮
- Neutron DHCP-Agent问题分析定位(5)