摘要：
贝叶斯滤波预测方程与观测方程： $$ \begin{cases} X_k=f(X_{k-1})+Q_k\ Y_k = h(X_k)+R_k \end{cases} $$ 其中：$X_k, X_{k-1}, Y_k, Q_k, R_k$都是随机变量 推出了贝叶斯滤波的三个公式 预测步 $$ f_k^{ 阅读全文
posted @ 2023-02-21 21:21
忠厚老实的陈同学
阅读(223)
评论(0)
推荐(0)
摘要：
贝叶斯与卡尔曼滤波(3)--随机过程 前面的内容中，一般都是先验概率X和一个观测概率Y，求它的后验概率 而在实际中，我们更多的面对的是一个随机过程，它有不止一个随机变量$X_0, X_1,X_2, ..., X_n$,以及不止一个观测值 有一个初值$X_0$,同时又$K$个观测值$y_1, y_2, 阅读全文
posted @ 2023-02-21 21:16
忠厚老实的陈同学
阅读(291)
评论(0)
推荐(0)
摘要：
贝叶斯与卡尔曼滤波(2)--连续随机变量的贝叶斯公式 离散型变量的贝叶斯公式： $$ P(X=x|Y=y)=\frac {P(Y=y|X=x)P(X=x)}{P(Y=y)} $$ 如果将其用于连续型的变量中： $$ P(X=<x|Y=y)=\frac {P(Y=y|X<x)P(X<x)}{P(Y=y 阅读全文
posted @ 2023-02-21 21:09
忠厚老实的陈同学
阅读(1184)
评论(0)
推荐(0)
摘要：
贝叶斯与卡尔曼滤波(1)--三大概率 贝叶斯滤波主要是通过概率统计的方法，主要是贝叶斯公式，对随机信号进行处理，减小不确定度 贝叶斯滤波处理的随机变量主要是一个随机过程。$x_1, x_2, x_3 ...$,互不独立 与之对应的就是一个确定过程，比如：自由落体$v = g*t$，就是一个确定的过程 阅读全文
posted @ 2023-02-21 21:03
忠厚老实的陈同学
阅读(487)
评论(0)
推荐(0)
摘要：
链接：https://zhuanlan.zhihu.com/p/62238520 RANSAC简介 RANSAC(Random Sample Consensus,随机采样一致)算法是从一组含有“外点”(outliers)的数据中正确估计数学模型参数的迭代算法。“外点”一般指的的数据中的噪声，比如说匹 阅读全文
posted @ 2023-02-21 20:55
忠厚老实的陈同学
阅读(80)
评论(0)
推荐(0)
摘要：
K-means 的算法步骤为： 选择初始化的 $k$个样本作为初始聚类中心: $a=a_1,a_2, a_3,...,a_k$ 针对数据集中每个样本$x_i$,计算它到 $k$ 个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中； 针对每个聚类类别$a_j$,重新计算它的聚类中心，$a_j=\ 阅读全文
posted @ 2023-02-21 20:53
忠厚老实的陈同学
阅读(58)
评论(0)
推荐(0)
浙公网安备 33010602011771号