第二章 数学基础（一）：概率论基础回顾与马尔可夫假设
各位同学，咱们今天聊聊概率论。别急着皱眉，我知道很多人一听到「概率」就头大。但做雷达目标关联，这东西绕不开。说白了，你判断两个点迹是不是同一个目标，本质上就是在算概率——这个点迹属于目标A的概率有多大？
我个人习惯，讲数学之前先讲直觉。咱们先不碰公式，先想想场景。
2.1 条件概率：你知道了什么，结论就不一样了
条件概率，英文叫 Conditional Probability。什么意思呢？
举个例子。你在雷达屏幕上看到一个回波。在没有其他信息时，它可能是目标，也可能是杂波。概率各半？不一定。但如果你知道这个回波出现在一条已知航迹的预测位置附近，那它是目标的概率就大了很多。
这就是条件概率的核心：已知某些信息后，概率会更新。
公式很简单：
P(A|B) = P(A ∩ B) / P(B)读作「在B发生的条件下，A发生的概率」。分母是B的概率，分子是A和B同时发生的概率。
重点理解：条件概率不是「重新算」，而是「利用已知信息缩小样本空间」。B发生了，样本空间就缩小到B内部了。
我在项目中遇到过一件事。有一次做多目标跟踪，两个目标交叉飞行。传统方法直接算欧氏距离，结果关联错了。后来我改用条件概率，把目标运动方向作为条件信息，准确率一下就上来了。嗯，这里要注意：条件选对了，效果翻倍；条件选错了，反而添乱。
2.2 贝叶斯公式：从结果反推原因
贝叶斯公式，说白了就是条件概率的逆用。你看到结果，想知道是哪个原因导致的。
公式长这样：
P(A|B) = P(B|A) * P(A) / P(B)其中：
- P(A) 叫先验概率——你事先对A的相信程度
- P(B|A) 叫似然——如果A是真的，B出现的可能性有多大
- P(A|B) 叫后验概率——看到B之后，你对A的更新信念
你想想看，这像不像我们做雷达关联时的思维过程？
先验概率：我根据历史航迹，预测目标下一帧大概在什么位置。似然：当前这个量测点，出现在预测位置附近的概率有多大。后验概率：综合两者，判断这个量测点属于该目标的概率。
我的经验：贝叶斯公式最妙的地方在于，它可以迭代使用。今天的后验概率，可以变成明天的先验概率。这就是贝叶斯滤波的思想，也是卡尔曼滤波的数学根基。
我曾经踩过一个坑。有一次做多传感器融合，两个雷达对同一个目标上报了不同位置。我直接用贝叶斯公式融合，结果后验概率反而更差了。后来发现，问题出在似然函数上——我假设了两个传感器的噪声独立，但实际上它们有相关性。从那以后，我每次用贝叶斯公式前，都会先检查一下「独立性假设」是否成立。
2.3 随机过程：时间维度上的概率
单个时刻的概率好算，但目标在运动，时间一长，问题就变成了「随机过程」。随机过程，说白了就是一组按时间排列的随机变量。
比如目标的位置：t1时刻的位置是随机变量X1，t2时刻是X2，t3时刻是X3……这些X1, X2, X3放在一起，就是一个随机过程。
为什么要学这个？因为雷达目标关联，本质上是在处理时间序列数据。你不能只看当前帧，还要看历史帧。目标运动是有规律的，不是完全随机的。
常见的随机过程类型：
| 类型 | 特点 | 雷达应用场景 |
|---|---|---|
| 独立同分布过程 | 每个时刻独立，分布相同 | 纯噪声、杂波建模 |
| 马尔可夫过程 | 下一时刻只依赖当前时刻 | 目标运动建模（最常用） |
| 高斯过程 | 任意有限维联合分布都是高斯 | 平滑、插值、不确定性估计 |
注意：不要以为所有随机过程都适合做目标跟踪。独立同分布过程就不行——它假设目标位置每帧独立，那还怎么跟踪？
2.4 马尔可夫假设：简化世界的利器
马尔可夫假设，是目标关联算法中最核心的假设之一。它说：系统的未来状态，只依赖于当前状态，与过去状态无关。
用数学语言说：
P(X_{t+1} | X_t, X_{t-1}, ..., X_1) = P(X_{t+1} | X_t)读作：给定当前状态，未来与过去条件独立。
你可能会问：这合理吗？目标运动明明有惯性，过去的位置难道不影响未来？
嗯，这个问题问得好。其实马尔可夫假设不是否认历史的影响，而是说历史的影响已经全部体现在当前状态中了。如果你把目标的位置、速度、加速度都作为状态变量，那么下一时刻的位置确实只由当前的位置和速度决定，不需要再回头看更早的数据。
核心思想：马尔可夫假设不是「历史不重要」，而是「当前状态已经包含了所有历史信息」。
我个人习惯，在工程实现中把马尔可夫假设当作一个「默认开关」。先假设成立，用卡尔曼滤波或粒子滤波。如果效果不好，再考虑高阶模型。为什么？因为马尔可夫假设让计算量大幅下降——你不需要维护整个历史轨迹，只需要维护当前状态和协方差矩阵。
我曾经在一个项目中，目标做高机动转弯。一阶马尔可夫模型（匀速模型）完全跟不上。后来我改成二阶马尔可夫模型（匀加速模型），效果好了很多。但代价是状态维度从4维涨到6维，计算量翻了一倍。嗯，这就是工程中的权衡。
2.5 知识体系总览
下面这张图，是我自己总结的本章知识体系。你可以把它当作一个「地图」，知道每个知识点在整体中的位置。
2.6 小结与避坑指南
好了，这一章的内容就这些。总结一下：
- 条件概率：已知部分信息后，重新评估概率。核心是缩小样本空间。
- 贝叶斯公式：从结果反推原因。核心是迭代更新信念。
- 随机过程：时间维度上的概率。核心是理解时间相关性。
- 马尔可夫假设：简化时序建模。核心是「当前状态包含所有历史信息」。
避坑指南：
- 我曾经以为贝叶斯公式万能，结果忽略了先验的合理性，导致后验偏差很大。记住：垃圾进，垃圾出。
- 我曾经在非马尔可夫场景下强行用一阶马尔可夫模型，结果跟踪发散。记住：先验证假设是否成立。
- 我曾经把条件概率和因果混淆。条件概率是「相关」，不是「因果」。这一点在做关联时尤其重要。
下一章，咱们会把这些数学工具用到具体的关联算法中。到时候你会发现，今天学的这些东西，每一个都会派上用场。