第2章：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。
2.1 概率论基础：条件概率与贝叶斯公式
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。
2.1.1 条件概率
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。
2.1.2 贝叶斯公式
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：
P(H)是先验概率 —— 我「原本」认为目标存在的可能性P(E|H)是似然 —— 如果目标真的存在，我观测到当前数据的可能性P(H|E)是后验概率 —— 结合观测后，我「更新」后的判断
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。
2.2 矩阵运算
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。
2.2.1 基本运算
- 加法/减法： 对应元素相加减。维度必须相同。
- 乘法： 前矩阵的列数 = 后矩阵的行数。结果矩阵的 (i,j) 元素是前矩阵第 i 行与后矩阵第 j 列的点积。
- 转置： 把矩阵的行和列互换。记作
A^T。 - 逆矩阵： 满足
A * A^{-1} = I的矩阵。只有方阵且行列式不为0时才有逆。
2.2.2 协方差矩阵
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。
2.3 坐标系与坐标变换
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。
2.3.1 常见坐标系
| 坐标系 | 表示方式 | 典型应用 |
|---|---|---|
| 笛卡尔坐标系 | (x, y, z) | 目标状态估计、航迹管理 |
| 极坐标系 | (r, θ) | 2D雷达原始量测 |
| 球坐标系 | (r, θ, φ) | 3D雷达原始量测 |
| 地理坐标系 | (纬度, 经度, 高度) | 多传感器融合中的全局参考 |
2.3.2 坐标变换公式
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。
2.4 高斯分布及其性质
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。
2.4.1 一维高斯分布
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。
2.4.2 多维高斯分布
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。
2.4.3 高斯分布的重要性质
- 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。
知识体系总览
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