多传感器融合方法.docxVIP

多传感器融合方法 数学知识 期望 定义1 设X是离散型随机变量，它的概率函数是： 如果有限，定义X的数学期望 定义2 设X是连续型随机变量，其密度函数为，如果有限，定义X的数学期望为 条件数学期望 定义 X在的条件下的条件分布的数学期望称为X在的条件下的条件期望。 当为离散随机向量时 当为连续随机向量时 贝叶斯公式 定义 设Ω为试验E的样本空间，B为E的事件，为Ω的一个划分，且，，则 称此为贝叶斯公式。 贝叶斯估计 期望损失： 损失函数：，把θ估计为所造成的损失 常用损失函数：，平方误差损失函数 如果采用平方误差损失函数，则θ的贝叶斯估计量是在给定x时θ的条件期望，即： 同理可得到，在给定样本集χ下，的贝叶斯估计是： 求贝叶斯估计的方法：（平方误差损失下） 确定θ的先验分布 求样本集的联合分布 求的后验概率分布 求的贝叶斯估计量 Gaussian情况，仅参数未知 给定样本集χ，已知随机变量均值未知而方差已知。均值变量的先验分布，求的后验概率 其中： 在已知的条件下，被测参数μ的条件概率密度函数的指数部分是μ的二次函数，因此也服从高斯分布，设，即： 综合以上两式可得： 用表示被测参数μ的贝叶斯估计结果，则： 最大似然估计 似然函数：在统计学中，是一种关于统计模型参数的函数。给定输出x时，关于参数θ的似然函数L(θ)（在数值上）等于给定参数θ后变量X的概率。 最大似然估计：事件A与参