最近一段时间，终于从纷繁的文献中走出来了，大致能缕清楚卡尔曼滤波，粒子滤波，动态贝叶斯网络之间的关系了。写一篇学习日志，mark一下，用通俗易懂的话帮助自己理解那些莫名其妙的公式。简书不能输入公式，真是蛋疼，，，只好用图片凑活了，确实有点丑。

1.知识预热——条件概率与贝叶斯公式

条件概率的定义: 设A，B为随机试验的二个3事件，且P(A)>0，则称P(B|A)为在事件A发生的条件下事件B发生的条件概率。
这条定义很简单，就不做过多解释，需要关注它的乘法定理，

由乘法定理就很容易推出全概率公式，

，
全概率公式也叫贝叶斯公式。
式中P(A)，P(B)称为先验概率，之所以称为先验概率，是因为它们根据以往经验和分析得到的概率，不考虑与其他事件的联系。P(A|B)则称为B发生后A的后验概率，它通常是‘’因果‘’中的“果”，所以被称为后验概率。注意式中事件B往往被认为是“因”，是给定的，也就是说P(B)往往是一个常数，分母P(B)可以被扔掉，贝叶斯公式又可以被表示为，

上式中的α表示归一化处理，保证概率和是1。
由于

所以贝叶斯公式也可以被表示为，

贝叶斯公式

痛苦的经历告诉我，牢牢掌握条件概率和贝叶斯公式十分重要！它是后边一切推论呢基础！

2.一般时序模型

在去理解卡尔曼滤波，粒子滤波这些方法之前，一定要搞清楚我们要解决的问题是什么。根据《人工智能，一种现代方法》，我们可以建立起一个一般时间序列模型（简称时序模型），它规范了我们要解决的所有问题，如下图所示。

一般时序模型
这个模型包含两个序列，一个是状态序列，用X表示，一个是观测序列（又叫测量序列、证据序列、观察序列，不同的书籍有不同的叫法，在这里统一叫观测序列。）用Y表示。状态序列反应了系统的真实状态，一般不能被直接观测，即使被直接观测也会引进噪声；观测序列是通过测量得到的数据，它与状态序列之间有规律性的联系。举个例子，假设有一个人待在屋子里不知道外边有没有下雨，他于是观察进屋子里的人是否带伞，这里有没有下雨就是状态，有没有带伞就是观测。
上边这个模型有两个基本假设:
一是马尔可夫假设。假设当前状态只与上一个状态有关，而与上一个状态之前的所有状态无关。用公式来表示（式中1:t表示时刻1到时刻t的所有采样时刻）， 马尔科夫假设
上面的P被称为状态转移概率。例如上面那个雨伞的例子，我们会认为今天下不下雨只与昨天下不下雨有关，与以前没有关系。
二是观测假设（又叫证据假设，观察者假设）。假设当前观测值只依赖于当前状态，与其他时刻的状态无关。用公式来表示， 观测假设
上面的P被称为观测概率（也有其他叫法）。例如上面那个雨伞的例子，进来的人带不带伞只与今天下不下雨有关系，与之前或未来下不下雨没关系。
由此，一个模型（记为λ）可以被状态转移概率矩阵和观测概率矩阵唯一确定。
这两个假设可以极大地将问题简化，而且很多实际情况符合这两个假设，即使有些偏差，我们也可以对模型进行拓展。例如雨伞的例子，我们认为今天下不下雨不仅与昨天有关，还与前天甚至更早的时间有关，那么就可以对马尔可夫假设进行拓展，拓展成二阶甚至更高阶的马尔可夫模型，例如二阶

那么这个模型需要完成的任务有哪些呢？主要有以下几个方面:
（1）滤波，计算
即根据现在及现在以前的所有测量数据，估计当前的状态。在雨伞那个例子中，根据目前为止过去进屋的人携带雨伞的所有观察数据，计算今天下雨的概率，这就是滤波。
（2）预测，计算
。即根据现在及现在以前的所有测量数据，估计未来某个时刻的状态。在雨伞的例子中，根据目前为止过去进屋的人携带雨伞的所有观察数据，计算从今天开始若干天后下雨的概率，这就是预测。
（3）平滑，计算
。即根据现在及现在以前的所有测量数据，估计过去某个时刻的状态。在雨伞的例子中，意味着给定目前为止过去进屋的人携带雨伞的所有观察数据，计算过去某一天的下雨概率。
（4）最可能解释，计算
即给出现在及现在以前的所有测量数据，找到最能最可能生成这些测量数据的状态序列。例如，如果前三天每天都出现雨伞，但第四天没有出现，最有可能的解释就是前三天下雨了，而第四天没下雨。最可能解释也被称为解码问题，在语音识别、机器翻译等方面比较有用，最典型的方法是隐马尔可夫模型。
（5）评估（这是我自己加的，我觉得有必要加上这一点），计算

这里面的λ是指模型，这个公式意味着在该模型下，给定到目前为止的状态序列，计算输出特定观测序列的可能性。这其实是个评估问题，可以评估模型的好坏，概率越高，意味着模型越能反映观测序列与状态序列之间的联系，模型就越好。
（6）学习。计算λ，也即状态转移概率和观测概率

学习的目的是根据历史数据得到合理的模型，一般是根据一个目标函数，对模型进行迭代更新，例如使（5）中要计算的值最大便可以作为一个目标。

上边列出了一般时序模型要解决的所有问题，囊括的内容非常丰富，占了人工智能很大一块。尽管滤波只是其中一项，但理解模型的总体会对理解滤波有所帮助。下面把目光聚焦到滤波上来。

3.滤波问题

根据目前为止过去所有的测量数据，估计当前的状态，这便是滤波，但直接计算会有一个很明显的问题。注意到，计算值的条件是过去所有的测量数据，意味着计算每一个时刻的概率都要回顾整个历史测量数据，那么随着时间的推移，更新的代价会越来越大。所以需要找到一种办法，根据时刻t的滤波结果，和时刻t+1时刻的测量数据，就能计算出t+1时刻的滤波结果，这个计算过程叫做递归估计。用公式来表示，存在某个函数f，满足：

为了得到上面那个函数，对要求的概率作以下变换

第一步到第二步根据贝叶斯方程，第二步到第三步根据观测假设。第三步的的前一项是状态转移概率，模型已知，后面一项是一个单步预测，对单步预测做进一步的转换：
式中第一步应该比较好理解，t+1时刻某个状态可能由t时刻任何一个状态转移而来，所以t+1时刻某个状态的概率就等于t时刻所有可能状态的概率乘以相应的转移概率求和，第一步到第二步根据贝叶斯方程，第二步到第三步根据马尔科夫假设。注意到第三步第一项是状态转移概率，模型已知，第二项即t时刻的滤波结果，这样我们就可以利用t时刻的滤波结果递推t+1时刻的滤波结果了。递推公式可以表示为，

这种方法被称为前向递归。这里表示的状态是离散的，如果是连续的求和符号改为积分符号即可。

但这种方法有个最大的问题就是有确切的模型，也就是说状态转移概率和观测概率必须是已知的，但大多数情况它们并不是已知的，当然可以通过学习得到，但学习本身并不是那么容易的，那么如何才能在模型未知的情况下，实现上述递推呢？接下来就要看看卡尔曼滤波怎么巧妙地解决这个问题了！

今天先写到这，敲公式真心耗时间！！！