Python编写的卡尔曼和贝叶斯过滤器教程

注意：这是Roger Labbe存储库的克隆，详细信息请参见（commit＃e84f8018366438c87189ccad40a56bf506f81ffc）。项目似乎已被作者放弃，不再接受PR或讨论问题。包含卡尔曼和贝叶斯滤波器的介绍性文字，所有代码均使用Python编写，书籍本身采用Jupyter Notebook编写，支持在浏览器中运行和修改代码。

SIMPACK的后处理集成了丰富的滤波器，可完成多种曲线运算，包括频域分析、统计分析和专业领域曲线分析。 选择曲线，右键选择“添加滤波器”，可对曲线运算结果进行多重运算。运算顺序在任务树中可见。

Hbase过滤器深度探讨，基础内容介绍。

贝叶斯公式描述了事件在已知条件下发生的概率。朴素贝叶斯是一种机器学习算法，它假设特征在给定类的情况下相互独立。

贝叶斯学习的Matlab和Python代码分析的相关资源，提供深入分析和实施指南。

pyFDA是基于Python / Qt的GUI工具，用于分析和设计离散时间过滤器的系统阶跃响应。安装migen模块后，可以模拟定点实现（适用于某些过滤器类型），并将其导出为可综合的Verilog网表。当前版本支持64位Win 7至10和64位Ubuntu（截至2020.04）。无需安装其他软件/库即可使用。pyFDA的源代码基于MIT许可发布，二进制文件/捆绑软件带有GPLv3许可。详细信息请参考pyFDA文档。

MATLAB中介质过滤器BW的开发。介质过滤器BW的MATLAB开发技术和应用。

介绍使用Python编写的Kalman和贝叶斯滤波器的代码示例，本书使用Jupyter Notebook编写，可在浏览器中运行和修改。Allen Downey教授推荐本书，称其为学习卡尔曼和贝叶斯过滤器的优秀资源。该书详细介绍了状态估计的关键概念，对理解传感器嘈杂数据的处理具有重要帮助。

假设我们有 k 个总体，分别记为 $G_1, G_2,..., G_k$，每个总体都有其对应的概率密度函数 $f_1(x), f_2(x), ..., f_k(x)$，以及先验概率 $p_1, p_2, ..., p_k$。 对于一个新样本 x，我们想要判断它属于哪个总体。根据贝叶斯定理，我们可以计算后验概率： $$P(G_i|x) = frac{p_i f_i(x)}{sum_{j=1}^{k} p_j f_j(x)}, i = 1,2,...,k$$ 其中： $P(G_i|x)$ 表示给定样本 x 的情况下，样本属于总体 $G_i$ 的概率。 $f_i(x)$ 表示样本 x 在总体 $G_i$ 中出现的概率密度。 $p_i$ 表示总体 $G_i$ 的先验概率。 贝叶斯判别规则指出，为了最小化误判概率，我们应该将样本 x 判给后验概率最大的那个总体。