2. 贝叶斯决策理论：先验概率与后验概率、贝叶斯公式、最小错误率贝叶斯决策、最小风险贝叶斯决策

各位同学，咱们今天聊聊贝叶斯决策理论。说实话，这玩意儿是目标跟踪和传感器融合的基石。我当年刚入行时，总觉得贝叶斯就是个数学公式，背下来就完事了。直到有一次做雷达目标识别，数据明明很好，结果却一塌糊涂——后来才发现，是我对先验概率的理解出了偏差。嗯，从那以后，我再也不敢小看这个理论了。

先说说先验概率。说白了，就是在你看到任何观测数据之前，对某个事件发生的概率的估计。比如，我告诉你明天要识别一个目标，根据历史统计，这个目标是卡车的概率是70%，是轿车的概率是30%。这个70%和30%，就是先验概率。

我个人习惯用 P(ω_i) 来表示先验概率，其中 ω_i 代表第 i 类目标。先验概率通常来自历史数据、专家经验，或者干脆就是拍脑袋——当然，拍脑袋要拍得有依据。

那后验概率呢？就是当你看到了观测数据 x 之后，重新评估这个目标属于哪一类的概率。记作 P(ω_i | x)。你想想看，观测数据 x 可能是雷达回波、红外图像、激光点云等等。有了这些数据，你对目标的判断就更准确了。

举个例子：

为什么会这样？因为观测数据提供了新的信息，修正了我们的初始判断。这就是贝叶斯决策的核心思想——用数据更新认知。

核心要点：先验概率是"事前判断"，后验概率是"事后修正"。没有先验，决策会盲目；没有后验，决策会僵化。

贝叶斯公式就是连接先验和后验的桥梁。公式长这样：

P(ωᵢ | x) = [p(x | ωᵢ) × P(ωᵢ)] / p(x)

其中：

我记得刚学这个公式时，总觉得分母 p(x) 很烦人。后来做项目多了才明白，p(x) 其实就是个归一化常数，保证所有后验概率加起来等于1。在实际计算中，很多时候我们只需要比较不同类别的后验概率大小，分母可以忽略。

实战技巧：在目标跟踪中，我们经常用贝叶斯公式的"非归一化"形式：P(ωᵢ | x) ∝ p(x | ωᵢ) × P(ωᵢ)。这样计算量小很多，而且不影响决策结果。

好，现在有了后验概率，怎么决策呢？最直观的想法是：哪个类别的后验概率最大，我就选哪个。这就是最小错误率贝叶斯决策。

决策规则很简单：

如果 P(ω₁ | x) > P(ω₂ | x)，则决策为 ω₁
否则决策为 ω₂

为什么叫"最小错误率"？因为这种决策方式从理论上保证了分类错误的概率最小。我曾经在一个多传感器融合项目中，用这个规则做目标识别，准确率从85%直接提升到了93%。

但要注意，最小错误率决策有个隐含假设：所有分类错误的代价是一样的。也就是说，把卡车误判为轿车，和把轿车误判为卡车，后果一样严重。但在实际工程中，这个假设往往不成立。

避坑指南：我曾经在自动驾驶项目中，用最小错误率决策做行人检测。结果发现，把行人误判为背景的代价，远高于把背景误判为行人的代价。前者可能出人命，后者只是虚警。所以，别盲目用最小错误率，要看实际场景。

这就引出了最小风险贝叶斯决策。它引入了"风险"的概念——不同错误类型，代价不同。

我们定义一个损失函数 λ_ij，表示把真实类别 ω_j 误判为 ω_i 的代价。然后计算每个决策的期望风险：

R(ωᵢ | x) = Σⱼ λᵢⱼ × P(ωⱼ | x)

决策规则变成：选择期望风险最小的那个类别。

举个例子，假设有两类目标：行人(ω₁)和背景(ω₂)。损失矩阵可能是：

	真实为行人	真实为背景
决策为行人	0（正确）	1（虚警）
决策为背景	100（漏检）	0（正确）

你看，漏检行人的代价是100，虚警的代价只有1。这时候，即使后验概率 P(行人 | x) 只有0.1，期望风险也可能比决策为背景要小。所以，最小风险决策会倾向于"宁可虚警，不可漏检"。

我个人习惯在项目中先建一个损失矩阵，再跑决策。这样既保证了理论最优，又贴合了工程需求。

下面这张图，是我自己总结的贝叶斯决策知识体系。你把它存下来，以后做项目时对照着看，思路会清晰很多。

总结一下今天的内容：先验概率是起点，贝叶斯公式是工具，后验概率是结果。有了后验概率，你可以选择最小错误率决策（简单粗暴），也可以选择最小风险决策（更贴合实际）。我个人建议，在工程中优先考虑最小风险决策——毕竟，不同错误的代价，往往天差地别。

好了，这一章就到这里。记住，贝叶斯决策不是死板的公式，而是一种思维方式——用数据不断修正你的判断。下次做目标跟踪时，不妨想想：我的先验合理吗？我的损失函数设对了吗？

一句话总结：贝叶斯决策 = 先验知识 + 观测数据 + 风险意识。三者缺一不可。