(八)目标跟踪中参数估计(似然、贝叶斯估计)理论知识

目录

前言

一、统计学基础知识

(一)随机变量

(二)全概率公式

(三)高斯分布及其性质

二、似然是什么?

(一)概率和似然

(二)极大似然估计

三、贝叶斯估计

(一)古典统计学与贝叶斯统计学的区别

(二)贝叶斯公式

总结


前言

        目标跟踪过程可以看做参数估计的过程,即利用测量信息实时对目标状态进行估计,需要用到很多概率统计的基础知识。在此针对参数估计中常用的基础知识和概念进行总结和讲解,根据自己的经验对似然函数和贝叶斯估计进行了详细的讲解,希望能为大家深入理解目标跟踪过程提供帮助。


一、统计学基础知识

(一)随机变量

        随机变量的值可以理解为“随机事件中的变量”, 是某随机试验(常见例子:抛硬币)的结果。在目标跟踪过程中,随机变量可以是跟踪目标的位置或者速度。根据随机变量是否连续可以将其分为离散随机变量和连续随机变量。

        连续随机变量x用概率密度函数(pdf)来表示,变量取值在一段区域内的概率为pdf在该段的积分,并且积分总和为1。公式为:P\left ( x \right )\geq 0,\int P\left ( x \right )dx = 1

        离散随机变量x的取值为离散数值,不同取值的概率构成概率质量函数(pmf),所有取值的概率和为一。公式为:P\left ( x =i\right )\geq 0,\int P\left ( x \right )dx = 1

(二)全概率公式

        假设已知变量x和变量z的联合分布P\left ( x,z \right ),其中变量z的分布P\left ( z \right )称之为边缘分布。边缘分布可以通过联合概率积分或者累加的方式消除其中一个变量的影响从而获得边缘分布。

        离散变量:P\left ( z \right )=\sum _{x\in S\left ( x \right )}P\left ( x,z \right )=\sum _{x\in S\left ( x \right )}P\left ( x \right )P\left ( z\mid x \right )

        连续变量:P\left ( z \right )=\int _{x\in S\left ( x \right )}P\left ( x,z \right ) dx=\int _{x\in S\left ( x \right )}P\left ( x \right )P\left ( z\mid x \right )dx

(三)高斯分布及其性质

        对于随机变量,具有两个非常重要的特性,即均值(期望)和(协)方差。均值体现了随机变量的平均值,协方差体现了随机变量的分散程度。当随机变量为多维时,方差变为协方差。

        假设Y为多维变量,均值和协方差的定义如下:

E\left \{ Y\right \}=\int Yp\left ( Y \right )dY

Cov\left \{ Y \right \}=E\left \{ \left [ Y-E\left \{ Y \right \}\right ] \left [ Y-E\left \{ Y \right \} \right ]^{\top }\right \}

        目标跟踪过程中常用到的分布形式为高斯分布,也称为正态分布。正态分布可以表示为x\sim N\left ( \mu ,Q \right )\muQ为高斯分布的两个参数,分布的pdf表示为:

P\left ( x \right ) = N\left ( x\mid \mu , Q\right ) = \frac{1}{\sqrt{2\pi Q}}exp\left ( \frac{1}{2} \left ( x-\mu \right )^{\top }Q^{-1}\left ( x-\mu \right )\right )

二、似然是什么?

(一)概率和似然

        概率的概念是已知分布形式和参数,度量某个样本的可能性(已知因,度量果);似然是已知分布形式和对应生成的样本,度量某个未知分布参数的可能性(已知果,度量因)。概率和似然正好是分布的两个方面,样本是分布表现的现象(果),分布参数是分布的本质(因)。

        似然(likehood)必须满足以下两个条件:

        1.对于某个参数的分布形式必须是事先假设已知(先验),而分布参数未知,比如假设分布形式为正态分布,伯努利分布等。

        2.必须有来自这个分布的独立采样的样本(也就是必须要有数据)。

(二)极大似然估计

        基于上述似然的条件,针对待估计的参数,使用一堆已知的样本去反推某个参数估计值,作为这个分布参数的可能性(似然)。通俗来讲,就是根据已知生成的样本,希望找到能最大概率生成观测数据的分布参数\theta ^{\ast }

        若观测值为Z,被估计参数为\theta,则对应的方法可以描述为:

\theta ^{\ast } = arg \, \, max_{\theta } \, \, p\left ( Z\mid \theta\right )

        公式通过导数为0来进行求解。

        想进一步了解的同学可以观看下面的链接:
参数估计(二).最大似然估计icon-default.png?t=N7T8https://zhuanlan.zhihu.com/p/55791843              

三、贝叶斯估计

(一)古典统计学与贝叶斯统计学的区别

        1.概念不同:古典统计学派又叫做频率学派,所研究的对象是能大量重复的随机现象。例如例如掷硬币试验就是可以大量重复的随机现象,结果包括正面和反面。通过进行大量的掷硬币试验,发现正、反面朝上的概率分别稳定在0.5左右。但是某些时间例如明天车子抛锚的概率是60%,这里的概率就不能用频率来理解,因为车子不可能一直坏。贝叶斯学派认为:一个事件的概率是人们根据经验对该事件发生可能性所给出的个人信念,这种概率称为主观概率。贝叶斯学派允许利用经验获得的先验信息,以提升统计推断的质量。

        2.对参数的理解不同:古典统计把θ看成一个常数,对于某种现象进行统计推断。贝叶斯统计把参数θ看成一个随机变量来进行统计推断,用概率分布来描述θ的未知状况,θ不是固定的常值。

        3.侧重点不同:古典统计学研究重心为总体,不是样本。贝叶斯统计学是通过将样本观测值与先验相结合,共同得到后验值,侧重的重心为样本。

(二)贝叶斯公式

        贝叶斯公式的核心就是后验概率正比于先验概率乘以似然。如下图所示:

        先验分布:指某件事发生的概率。

        后验分布:指某一件事在其他事件发生的前提下发生的概率。

        先验分布是指通过主观判断或者依据过去经验,对概率进行预测,之后通过越来越多的观测值来修正预测,得到最后的后验分布。需要注意的是贝叶斯公式的核心在于不消除未知变量的不确定性,而是通过越来越多的新的观测点来持续更新我们对于未知变量不确定性的认识,提升我们对于不确定性的信心。

        针对连续变量,贝叶斯公式可以写为:

\pi \left ( \theta _{i}\mid x \right )=\frac{\pi \left ( \theta _{i}\right )f(x\mid \theta _{i})}{\int _{\theta }f(x\mid \theta )\pi \left ( \theta \right )d\theta }

        1. 其中\pi \left ( \theta \mid x \right )为后验概率,f\left ( x\mid \theta \right )为观测到的样本分布,也就是似然函数。

        2.竖线左边才是我们想要的,积分区间\theta是指\theta所有可能取值的域,\pi \left ( \theta \mid x \right )是在已知x的前提下在\theta域内关于\theta的一个概率分布。

        3.在已知样本x的前提下,不同的\theta取值对应的可能性不同(也就是概率),也就是似然函数f\left ( x\mid \theta \right )


总结

        本文针对目标跟踪中用到的一些概率统计基础知识进行了总结梳理,重点讲述了似然的概念 、古典统计学派与贝叶斯学派的区别、贝叶斯公式的理解,适用于学习目标跟踪的读者,读者可以通过。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/788984.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Pycharm显示Low memory的解决办法

这种情况该怎么办呢? 按照网上的说法,首先按照下图,选择memory Indicator: 就可以在pycharm的右下角看到内存以及其分配情况(allocated表示被分配的,可以看到我的已经被分配完了,应该是这个意思&#xff0…

小程序界面如何传参,另一界面如何接收的方法, 如何获取小程序中data参数的值

A界面 WXML 示例 <view class""><button bindtap"onTiaozhuan">跳转界面按钮</button></view>A界面 js 示例 Page({data: {pro_src: /statics/img/25431.jpg},onTiaozhuan() { // 获取data中的图片路径值const pro_src this.data…

spring boot 业务数据分页(不能直接用mybatis 分页插件分页)用Java 8 stream 快速实现

目录标题 一、适用范围二、利用 Java 8 的 stream 流提供的skip() 和 limit()方法三、一般还需要对数据进行排序 一、适用范围 这种方式适用于数据量较少的情况。如果数据量太大&#xff0c;一下子放到内存&#xff0c;可能内存吃不消。 二、利用 Java 8 的 stream 流提供的s…

Matlab|计及需求侧响应日前—日内两阶段鲁棒备用优化

目录 1 主要内容 日前计划模型 日内调整模型 不确定集建模 2 部分代码 3 程序结果 4 下载链接 1 主要内容 该程序复现文章《计及需求侧响应日前—日内两阶段鲁棒备用优化》&#xff0c;以6节点系统为例&#xff0c;综合考虑风电出力不确定性与电力设备 N-k强迫停运&…

NASA数据集——包括阿拉斯加的 39 个站点和加拿大西北部的 12 个站点)的季节性沉降、活动层厚度 (ALT)、垂直土壤水分剖面数据

ABoVE: Active Layer Thickness from Airborne L- and P- band SAR, Alaska, 2017, Ver. 3 简介 文件修订日期&#xff1a;2022-09-15 数据集版本: 3 摘要 本数据集以 30 米的分辨率提供了整个 ABoVE 域 51 个站点&#xff08;包括阿拉斯加的 39 个站点和加拿大西北部的 1…

数据可视化之极坐标

极坐标/雷达图***** polarTrue?import numpy as npimport matplotlib.pyplot as plt plt.rcParams[font.family] [SimHei]# 准备数据rnp.arange(0,2,0.01) theta 2*np.pi*r# 准备画布fig plt.figure() ax plt.subplot(111,projectionpolar) ax.plot(theta,r) ax.set_rma…

救砖刷机------MTK芯片类线刷 救砖 常规线刷不开机 MTK分区表修复【二】

救砖刷机------MTK芯片类线刷 救砖 免授权的一些操作步骤与工具解析【一】 在上期的博文中解析了mtk刷机平台的一些基本选项说明和授权刷写的一些常识。这期将着重说明下mtk机型分区表损坏如何解决。 众所周知。高通分区表在高通线刷包中显而易见,在常规9008刷写中你会正常刷…

什么是Redis共享Session?

如图所示&#xff0c;一个分布式部署的Web服务器将用户的Session信息&#xff08;例如用户登录信息&#xff09;&#xff0c;保存在各自服务器内部。这样会造成一个问题&#xff0c;在分布式部署多个Web服务器时&#xff0c;我们通常会采用负载均衡算法&#xff0c;将多个用户的…

概率论基础——拉格朗日乘数法

概率论基础——拉格朗日乘数法 概率论是机器学习和优化领域的重要基础之一&#xff0c;而拉格朗日乘数法与KKT条件是解决优化问题中约束条件的重要工具。本文将简单介绍拉格朗日乘数法的基本概念、应用以及如何用Python实现算法。 1. 基本概念 拉格朗日乘数法是一种用来求解…

洛谷 P1747 好奇怪的游戏

题目背景 《爱与愁的故事第三弹shopping》娱乐章。 调调口味来道水题。 题目描述 爱与愁大神坐在公交车上无聊&#xff0c;于是玩起了手机。一款奇怪的游戏进入了爱与愁大神的眼帘&#xff1a;***&#xff08;游戏名被打上了马赛克&#xff09;。这个游戏类似象棋&#xff…

FPGA简介

FPGA&#xff08;Field-Programmable Gate Array&#xff09;是一种可编程逻辑器件&#xff0c;用于实现数字电路的设计和实现。与传统的ASIC&#xff08;Application-Specific Integrated Circuit&#xff09;相比&#xff0c;FPGA具有可重新配置的特性&#xff0c;可以根据需…

nginx报错相关问题

D:\nginx-1.22.0>nginx -s stop nginx: [emerg] unknown directive “锘?user” in D:\nginx-1.22.0/conf/nginx.conf:1 编码问题&#xff0c;还好我提前压缩了nginx的压缩包&#xff0c;具体哪行我没发现&#xff0c;复制过去就好了 D:\nginx-1.22.0>nginx -s stop ngi…

从数据孤岛到信息共享,应用集成网关打造业务新生态

想象一下&#xff0c;你坐在剧院里&#xff0c;期待着享受一场精彩的音乐剧表演。但当灯光渐暗&#xff0c;音乐开始奏响时&#xff0c;你却发现演出陷入了混乱之中&#xff1a;没有人站在正确的位置&#xff0c;每个人都在互相交谈或保持沉默&#xff0c;管弦乐队的演奏时机也…

0基础学习Mybatis系列数据库操作框架——增删改操作

大纲 新增Mapper配置代码Mapper接口文件应用 删除简单方案Mapper配置代码 高级方案Mapper配置代码Mapper接口文件应用 完整代码 修改Mapper配置代码Mapper接口文件应用 参考资料 在《0基础学习Mybatis系列数据库操作框架——目录结构》一文中&#xff0c;我们已经搭建了查询操作…

绿色wordpress外贸建站模板

绿色wordpress外贸建站模板 https://www.mymoban.com/wordpress/6.html

【JavaScript编程】encodeURI和encodeURIComponent的区别

一、encodeURI encodeURI函数主要用于编码整个URL。当URL中包含非ASCII字符、空格或其他在URL中有特殊意义的字符时&#xff0c;可以使用encodeURI进行编码。下面是一个使用encodeURI的例子&#xff1a; // 假设有一个URL var url "https://www.example.com/index.html?…

Oracle控制文件管理

控制文件作用&#xff1a;记录了数据库的结构和行为&#xff0c;有多少个数据文件&#xff0c;日志文件及其位置名称&#xff0c;状态&#xff0c;维护数据库的一致性&#xff0c;即记录了数据库的启动SCN号和终止SCN号。 控制文件的位置和个数记录在参数文件中&#xff0c;通…

C语言什么是局部变量?

一、问题 C程序中的变量有局部变量和全局变量&#xff0c;那么什么是局部变量呢&#xff1f; 二、解答 局部变量也称为内部变量&#xff0c;即在函数内部定义的变量。它只在本函数范围内有效&#xff0c;在函数外是不能使⽤该变量的。例如&#xff1a; int f1(int a) {int b,…

Android 窗口那些事儿

目录 1. &#x1f4c2; 前言 你&#xff0c;是否有过这些疑问&#xff1f; 2. &#x1f531; Window 2.1 认识 Window 的几个阶段 1&#xff09;阶段一&#xff1a;Window 约等于 Activity 2&#xff09;阶段二&#xff1a;Window 约等于 View 3&#xff09;阶段三&…

基于深度学习的危险物品检测系统(网页版+YOLOv8/v7/v6/v5代码+训练数据集)

摘要&#xff1a;本文详细介绍基于YOLOv8/v7/v6/v5的危险物品检测技术。主要采用YOLOv8技术并整合了YOLOv7、YOLOv6、YOLOv5的算法&#xff0c;进行了细致的性能指标对比分析。博客详细介绍了国内外在危险物品检测方面的研究现状、数据集处理方法、算法原理、模型构建与训练代码…