📚 课程目录第2章数学基础回顾

2. 数学基础回顾

各位同学，欢迎来到《目标关联算法深度解析》的第二讲。

说实话，做雷达融合这些年，我见过太多人一上来就猛啃算法公式，结果卡在矩阵求逆或者坐标系转换上。嗯，这其实很可惜。数学基础就像地基，地基不稳，楼盖得再高也容易塌。今天我们就花点时间，把后面要用到的数学工具捋一遍。

先聊聊概率。目标关联的核心，说白了就是「在不确定中找确定」。传感器有噪声，目标会机动，我们只能靠概率来描述这种不确定性。

条件概率的定义很简单：P(A|B) = P(A∩B) / P(B)。意思是「已知B发生的情况下，A发生的概率」。我在做多目标跟踪时，经常用它来更新航迹的置信度。比如，已知某个量测落在某个门限内，那么它属于某条航迹的概率是多少？这就是条件概率的典型应用。

  核心理解： 条件概率不是凭空产生的，它依赖于我们已有的信息。信息越多，概率越精确。

贝叶斯公式是目标关联的灵魂公式。它的形式是：

P(H|E) = P(E|H) * P(H) / P(E)

其中：

我个人习惯把贝叶斯公式理解为「用新证据修正旧观点」。在雷达数据处理中，每一帧新量测到来，我们都会用贝叶斯更新来修正航迹的状态估计。你想想看，这不就是人类认知世界的方式吗？先有个预判，然后根据新信息不断调整。

避坑指南： 我曾经在项目里犯过一个低级错误——直接拿先验概率当后验概率用，结果航迹关联率惨不忍睹。记住：先验只是起点，后验才是我们真正需要的。

矩阵运算在目标关联中无处不在。状态向量、协方差矩阵、卡尔曼增益……全是矩阵。说白了，矩阵就是「把一堆数字打包处理」的工具。

协方差矩阵是目标关联中的「常客」。它描述了状态向量各个维度之间的相关性。比如，目标的位置和速度通常是相关的——位置变化快，速度就大。

P = E[(x - μ)(x - μ)^T]

其中 x 是状态向量，μ 是均值向量。对角线元素是各维度的方差，非对角线元素是协方差。

注意： 协方差矩阵必须是半正定的。我在调试代码时遇到过协方差矩阵变成负定的情况，结果卡尔曼滤波直接发散。后来发现是数值精度问题，加了个对称化处理才解决。

雷达数据来自不同的坐标系。雷达本身是极坐标系（距离、方位角、俯仰角），而目标跟踪通常在笛卡尔坐标系（x, y, z）中进行。坐标系转换是绕不开的一步。

以2D极坐标转笛卡尔为例：

x = r * cos(θ)
y = r * sin(θ)

反过来：

r = sqrt(x^2 + y^2)
θ = atan2(y, x)

这里有个坑：atan2 返回的是 [-π, π] 范围的角度，而雷达的方位角通常是 [0, 2π) 或 [-π, π)。需要根据具体雷达的约定做调整。

经验之谈： 我建议在融合系统中统一使用笛卡尔坐标系作为内部表示。所有传感器量测在进入融合模块之前，先转换到笛卡尔坐标系。这样可以避免后续反复转换带来的误差累积。

高斯分布（正态分布）是目标关联算法中最常用的概率分布。为什么？因为中心极限定理告诉我们，大量独立随机变量的和趋近于高斯分布。雷达噪声、量测误差，很多都近似服从高斯分布。

概率密度函数：

p(x) = (1 / sqrt(2πσ^2)) * exp(-(x - μ)^2 / (2σ^2))

其中 μ 是均值，σ^2 是方差。68% 的数据落在 μ±σ 内，95% 落在 μ±2σ 内，99.7% 落在 μ±3σ 内。这个「3σ法则」在目标关联的门限设置中非常有用。

对于 d 维向量 x，多维高斯分布的概率密度函数为：

p(x) = (1 / sqrt((2π)^d |Σ|)) * exp(-0.5 * (x - μ)^T Σ^{-1} (x - μ))

其中 μ 是均值向量，Σ 是协方差矩阵，|Σ| 是行列式。

线性变换不变性： 如果 x ~ N(μ, Σ)，那么 y = Ax + b 也服从高斯分布：y ~ N(Aμ + b, AΣA^T)。这个性质在卡尔曼滤波的状态预测和更新中反复使用。
边缘分布： 从多维高斯中取出部分维度，得到的边缘分布仍然是高斯分布。
条件分布： 给定部分维度的值，剩余维度的条件分布也是高斯分布。这是卡尔曼滤波更新步骤的数学基础。

  核心总结： 高斯分布之所以在目标关联中如此重要，是因为它「封闭性好」——经过线性变换、边缘化、条件化后，仍然是高斯分布。这让我们可以用解析方式处理很多问题，而不必依赖数值方法。

下面这张图展示了本章各知识点之间的逻辑关系：

好了，数学基础就回顾到这里。这些工具在后面每一章都会用到。尤其是贝叶斯公式和高斯分布，几乎是目标关联算法的「左膀右臂」。建议大家把矩阵运算练熟，特别是矩阵求逆和协方差矩阵的操作，后面写代码时会频繁遇到。

可可精品资料库