贝叶斯定理在定位及跟踪上应用参考.docVIP

2.1贝叶斯定理 贝叶斯定理是关于随机事件A和B的条件概率的一则定理。 贝叶斯定理公式：P(A|B)=P(B|A)*P(A)/P(B) （2.1.1） 上面的公式也可变形为：P(B|A)=P(A|B)*P(B)/P(A) （2.1.2） 这里，P(A|B)是在B发生的情况下A发生的可能性。 在贝叶斯定理中，每个名词定义如下： P(A)是A的先验概率。之所以称为先验是因为它不考虑任何B方面的因素。 P(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。 P(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。 P(B)是B的先验概率。 2.2贝叶斯估计 2.2.1 贝叶斯估计的基本原理。 A．贝叶斯估计的4个步骤 假设 将待估计的参数看作符合某种先验概率分布的随机变量 估计方式 通过观察样本，将先验概率密度通过贝叶斯规则转化为后验概率密度。 B．概率密度估计的两种基本方法 ?方法1：参数估计(parametric methods) 根据对问题的一般性的认识，假设随机变量服从 某种分布，分布函数的参数通过训练数据来估计。 如：ML 估计，Bayesian估计。 ?方法2：非参数估计(nonparametric methods)： 不用模型，而只利用训练数据本身对概率密度做 估计。 C．贝叶斯估计应用及其框图 贝叶斯估计应用