3. 概率论与线性代数基础

卡尔曼滤波并不是一组“凭经验调出来的公式”，它本质上是高斯分布假设下的贝叶斯递推，而递推的每一步都靠线性代数完成。理解这一章，你才能明白为什么卡尔曼增益长成那个样子、为什么协方差矩阵必须正定、为什么数值上会出现“滤波发散”。本章把后续建模所需的数学工具一次性讲透，并始终围绕“动态配对关系建模”这一目标。

一、核心原理：高斯分布是卡尔曼滤波的“语言”

一维高斯分布由均值 μ 和方差 σ² 完全确定，记作 x ~ N(μ, σ²)。多维情况下，均值变成向量 x，方差变成协方差矩阵 P，即 x ~ N(μ, P)。协方差矩阵的对角线是各维方差，非对角线是两维之间的协方差，它刻画了变量之间的线性相关方向与强度。

高斯分布有三个对滤波极其友好的性质：第一，线性变换后仍是高斯分布；第二，两个高斯分布的乘积仍是高斯分布（只差归一化常数）；第三，边缘分布与条件分布都仍是高斯分布。正因为这三条，卡尔曼滤波的“预测—更新”才能始终用均值和协方差两个量闭合地描述，而不需要维护完整的概率密度函数。

二、条件概率与贝叶斯公式：滤波的推理骨架

条件概率 P(A|B) 表示在 B 发生的前提下 A 发生的概率。贝叶斯公式把它反过来用：

P(A|B) = P(B|A) * P(A) / P(B)

在滤波语境下，A 是“状态”，B 是“观测”。P(A) 是先验（预测），P(B|A) 是似然（观测模型），P(A|B) 是后验（更新后的状态估计）。卡尔曼滤波的更新步，本质上就是用观测似然去修正先验，而由于高斯假设，这个修正可以写成闭式的矩阵运算。

把高斯形式代入贝叶斯公式，可以得到一个非常重要的直觉：后验均值是先验均值与观测值的加权平均，权重由各自的协方差决定。谁的方差小（更确定），谁的权重就大。卡尔曼增益 K 正是这个权重的多维推广。

三、矩阵运算与协方差矩阵正定性

卡尔曼滤波的每一步都是矩阵运算：矩阵乘法用于状态预测与观测映射，矩阵转置用于协方差传播，矩阵求逆用于计算增益。下面列出最常用的几个操作及其在滤波中的角色。

协方差矩阵 P 必须是对称正定的。正定意味着对任意非零向量 v，都有 v^TPv > 0，即方差永远为正。如果 P 失去正定性，滤波可能产生负方差、增益异常甚至发散。工程上常用“对称化 + 特征值截断”来修复：

P = (P + P.T) / 2          # 强制对称
eigvals, eigvecs = np.linalg.eigh(P)
eigvals = np.clip(eigvals, 1e-9, None)   # 截断非正特征值
P = eigvecs @ np.diag(eigvals) @ eigvecs.T

四、案例场景：动态配对关系中的高斯建模

假设我们在做目标与观测的动态配对：状态是目标位置与速度，观测是传感器返回的候选点。配对关系可以建模为一个隐变量，而每个候选点的“可信度”用高斯似然衡量。具体流程如下：

1. 用先验状态 x_k|k-1 和协方差 P_k|k-1 描述目标预测分布。
2. 对每个候选观测 z_i，计算新息 y_i = z_i − Hx_k|k-1 及其协方差 S = HPH^T + R。
3. 用高斯似然 N(y_i; 0, S) 计算该候选点的匹配概率，概率越高越可能是正确配对。
4. 按概率加权或选择最大似然候选，执行卡尔曼更新，得到后验 x_k|k 与 P_k|k。

这个过程中，条件概率负责“在预测位置附近观测到该点的可能性”，贝叶斯公式负责“把先验配对信念与观测似然融合”，协方差矩阵则决定了融合时谁的话语权更大。三者缺一不可。

五、误区复盘与工程建议

• 把高斯假设当摆设：如果实际噪声重尾或存在多峰，标准卡尔曼滤波会失效，需要考虑粒子滤波或高斯混合。
• 忽略协方差正定性：长期运行必须做对称化与特征值截断，否则数值误差会累积。
• 混淆条件概率方向：P(观测|状态) 是似然，P(状态|观测) 是后验，写反会导致更新方向错误。
• 矩阵求逆硬算：实际工程中优先用 Cholesky 分解或求解线性方程组，避免显式求逆带来的数值不稳定。
• 噪声矩阵随意设：Q 和 R 的比值直接决定滤波器的“信任倾向”，应结合传感器精度与运动模型不确定性来标定。

掌握高斯分布、条件概率、贝叶斯公式、矩阵运算与协方差正定性之后，你就具备了读懂卡尔曼滤波全部公式的数学基础。下一阶段我们将把这些工具组装成完整的预测与更新递推，并进入动态配对关系建模的实战环节。