目录
1.贝叶斯公式
首先直接上图上公式
公式的理解：这个公式想干的事情很简单，就是A和B两个事情有关系，我们想知道，假如B这件事发生了，A发生的概率。
从图中和公式中，可以很直观的理解，想要知道当B发生时A发生的概率，那么肯定是A与B的交集比上B，反过来一样理解，因此就有了所谓的贝叶斯公式。
好，我们更加详细理解下公式里面的概念（记不住没关系，理解才是关键）：
P(A|B) 是在 B 发生的情况下 A 发生的概率；
P(A) 是 A 发生的概率；
P(B|A) 是在 A 发生的情况下 B 发生的概率；
P(B) 是 B 发生的概率。
2.卡尔曼滤波
首先说说卡尔曼滤波用来做啥，一句话【 根据当前"测量值" 和上一刻的 "预测量" 和 "误差",计算得到当前的最优值. 再预测下一刻的值】，就是为了在有噪声有干扰下，进一步接近真实的值。
下面我们以测量头发丝的大小为例进行说明。
首先来个假设，咱这把尺子精度一般般，测量有一定误差，同时我们也会根据个人经验进行一定的估计，估计准确度也一般般；
测量和估计误差符合高斯分布，啥是高斯分布，见下图来个直观理解（u期望值 δ^2 方差）
下面举例来直观理解：
【估计值X1】根据经验，我们估计头发丝的大小为100微米 ；
【测量值Z1】用我们那把差尺去测量头发大小为90微米；
【权重Kx 】那么你更相信估出来的值还是更相信测量的值，好吧，我们得给他们分配一个权重（信任度）；
【递归测量】一次测量估计，我们觉得不太准，因此我们考虑多次估计和测量，为了保证最终估计结果越来越准确，我们按这个方向去做估计：
以上公式一点也不难理解，就是我们每次估计和测量的偏差 乘以我们的对其的信任度，就可以得到下一次测量估计的值。
【信任度（实名卡尔曼增益）】这个信任度怎么来呢，当然不能凭感觉，因为我们假设误差或干扰符合高斯分布，例如噪声误差为4微米，上一时刻估计的误差是3微米，那么该时刻的预测误差 = 
= 5 信任度（也就是协方差） = 
，而卡尔曼滤波的关键就是这个信任度的求取。
以上，以举例的方式，可以比较直观了解下卡尔曼滤波的原理，下面将进一步说明数学原理。
【系统状态】
估计纠正值 
测量值 
估计误差 
测量误差 
系统控制量 A和B为系统参数 H为测量参数
【卡尔曼滤波更新过程】
step1： 估计状态
(注意这里
仅为估计值，没有纠正项)
step2：计算卡尔曼增益（也就是前文提到的信任度，注意以下三个公式循环）
(根据k-1时刻，预测k时刻的协方差)
(卡尔曼增益为 预测协方差 比上 （预测协方差+测量协方差）)
(估计的协方差纠正，这里的
为k时刻的协方差)
step3：计算下一时刻的准确估计值
3.CNN算法
待更