后端优化笔记

前段匹配就是一个实时的不是很好的估计

后端可以不实时，是一个可以比较慢的线程

贝叶斯公式

$$P(A|B)=\frac{P(A)P(B|A)}{P(B)}$$

• 求的是在B已经发生的情况下，求A发生的概率。也称为A的后验概率

• $P(A)$是先验概率，和B无关，即A发生的概率是多少

贝叶斯的意思是根据现在观察的到的现象来进行推测

举个例子：

A车被撞报警的事件为$P(A)=0.8$，B车被撞报警的事件为$P(B)=0.2$，假设因为A车报警的声音特别响，所以当A车报警的时候B车也会大概率跟着报警，$P(B|A)=0.8$

A车响的概率乘以A车响的

马尔可夫性质

当前时刻的状态之和上一时刻的状态有关

卡尔曼滤波器

线性系统加高斯分布

预备知识：高斯分布的线性变换

• 假设x服从高斯分布$N(\mu,\sigma)$，那么y=Ax+b也是服从高斯分布
• $E(y)=E(Ax+b)=AE(x)+b=A\mu+b$
• $Cov(y)=E[(y-E(y))(y-E(y)^T]=E[A(x-\mu)(x-\mu)^TA^T]=A\sigma A^T$