本系列文章由 youngpan1101 出品,轉載請注明出處。
文章連結: http://blog.csdn.net/youngpan1101/article/details/54378949
作者:宋洋鵬(youngpan1101)
郵箱: [email protected]
貝葉斯公式推導過程
【《State Estimation for Robotics》英文版連結】【黃山老師的講解視訊】
将 x 和 y 的聯合機率密度分解為:
p(x,y)=p(x|y)p(y)=p(y|x)p(x)(2.1.2-1)
式中, p(x|y) —— 給定 y 下 x 的條件機率密度函數;
p(x) —— x 的邊緣機率密度函數;
p(y) —— y 的邊緣機率密度函數;
注意: 若 x 和 y 互相獨立(statistically independent), p(x,y)=p(x)p(y) 。
貝葉斯公式:
p(x|y)=p(x,y)p(y)=p(y|x)p(x)p(y)=p(y|x)p(x)p(y)⋅1=p(y|x)p(x)p(y)∫p(x|y)dx=p(y|x)p(x)∫p(x|y)p(y)dx=p(y|x)p(x)∫p(x,y)dx=p(y|x)p(x)∫p(y|x)p(x)dx(2.1.2-2)
式中, p(x|y) —— 後驗密度(posterior density)
p(y|x) —— sensor model
p(x) —— 先驗密度(prior density)
p(y) —— 證據因子(evidence)