《贝叶斯滤波理论基础概述》700字.docVIP

致谢

-PAGE44-

-PAGE43-

贝叶斯滤波理论基础概述

贝叶斯滤波为非线性系统的状态估计问题提供了一种基于概率分布形式的解决方案。在状态估计问题中通常假设系统服从一阶马尔可夫模型[57]，即系统当前时刻的状态只与上一时刻系统状态有关，当前时刻的观测值只与当前时刻系统的状态有关。递推贝叶斯滤波包括预测和更新两个过程，其核心思想在于基于目标的初始状态值，利用1时刻到当前时刻的观测信息通过预测、更新步骤以递推形式得到当前状态的估计值。假设时刻概率密度已知为，预测过程即获取先验概率密度，由Chapman-Kolmogorow方程有：

然后，利用贝叶斯公式求解后验概率密度，从而实现更新过程：

(2-5)

其中，为后验概率密度、为先验概率密度、为似然，分母为归一化常数，可以用下式求得：

(2-6)

式(2-4)与(2-5)描述了贝叶斯滤波的预测与更新过程，在初始状态已知的条件下，通过不断地递推可以求出任意时刻的后验，得到时刻后验分布之后，可以通过最小均方误差准则与极大后验准则等对时刻的状态值进行估计。图2.1形象描述了贝叶斯估计过程：

时刻

时刻后验

时刻先验