贝叶斯滤波与卡尔曼滤波

文章目录

        • 第三讲.贝叶斯滤波的三大概率
        • 第四讲.连续随机变量的贝叶斯公式
        • 第六讲.随机过程的贝叶斯滤波
          • KF那五个公式
          • 引出贝叶斯滤波基于哪些假设,分为几个步骤
          • 通过状态方程和观测方程如何递推
          • 贝叶斯滤波总结以及针对缺点如何改进

第三讲.贝叶斯滤波的三大概率

贝叶斯滤波与卡尔曼滤波_第1张图片

第四讲.连续随机变量的贝叶斯公式

似然概率
贝叶斯滤波与卡尔曼滤波_第2张图片

第六讲.随机过程的贝叶斯滤波

贝叶斯滤波与卡尔曼滤波_第3张图片
正如上图所示,贝叶斯滤波的缺点:无穷积分,大多数情况下无解析解,所以对这个无穷积分需要有两种解决办法,一个是作假设(高斯分布,积分就好积了,另一个是数值积分)
因此,正如博主所说,贝叶斯滤波是一个思想,该思想应用到KF,EKF,UKF,PF

KF那五个公式

卡尔曼都是期望和方差
由上一个时刻的期望和方差,推出这个时刻期望和方差的先验(预测值,两个公式)

由这个时刻期望和方差的先验再推出这个时刻期望和方差的后验(又两个公式)

再加一个卡尔曼增益(一个公式)

第六讲笔记如下:

引出贝叶斯滤波基于哪些假设,分为几个步骤

贝叶斯滤波与卡尔曼滤波_第4张图片

通过状态方程和观测方程如何递推

贝叶斯滤波与卡尔曼滤波_第5张图片
##### 分两步,预测步与更新步
贝叶斯滤波与卡尔曼滤波_第6张图片
贝叶斯滤波与卡尔曼滤波_第7张图片

贝叶斯滤波总结以及针对缺点如何改进

贝叶斯滤波与卡尔曼滤波_第8张图片

你可能感兴趣的:(贝叶斯滤波与卡尔曼滤波)