第4章概率论基础回顾

4. 概率论基础回顾：高斯分布、协方差矩阵、条件概率与贝叶斯定理

各位同学，咱们今天聊点数学。别急着皱眉，我保证不枯燥。

做电机控制，尤其是做卡尔曼滤波，你绕不开概率论。说白了，卡尔曼滤波就是一套用概率论“猜”电机状态的算法。你猜得准不准，全看你对这几个概念的理解深不深。

我个人习惯，在讲算法之前，先把数学底子打牢。今天我们就来回顾四个核心概念：高斯分布、协方差矩阵、条件概率、贝叶斯定理。嗯，别怕，咱们一个一个来。

高斯分布，也叫正态分布。你想想看，电机运行时，电流、转速的噪声，大部分时候都服从高斯分布。为什么？因为中心极限定理告诉我们，很多独立随机因素叠加起来，结果就是高斯分布。

高斯分布的数学形式长这样：

p(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))

这里，μ 是均值，代表你期望的“最可能值”。σ² 是方差，代表“不确定性有多大”。

我在项目中遇到过一件事：有一次调试无刷直流电机，电流传感器噪声特别大。我一开始以为是硬件问题，后来用示波器抓了1000个数据点，画了个直方图——嗯，标准的钟形曲线。这说明噪声是高斯白噪声，不是硬件故障。从那以后，我养成了先看数据分布的习惯。

重要提示：卡尔曼滤波假设所有噪声都是高斯分布。如果你的噪声不是高斯分布（比如有脉冲干扰），那卡尔曼滤波的效果会大打折扣。我曾经因为这个踩过坑，后来加了预处理才解决。

电机控制中，我们通常要估计多个状态：比如转子位置、转速、电流。这些状态之间不是独立的。转速变了，电流也会变；位置变了，反电动势也会变。协方差矩阵就是用来描述这种“联动关系”的。

对于两个随机变量 x 和 y，协方差定义为：

Cov(x, y) = E[(x - μx)(y - μy)]

如果协方差为正，说明 x 和 y 同向变化；为负，则反向变化；为零，说明不相关。

协方差矩阵就是把所有变量两两之间的协方差排成一个矩阵。比如对于三个状态变量 [x1, x2, x3]，协方差矩阵 P 是：

P = [[Var(x1), Cov(x1,x2), Cov(x1,x3)],
     [Cov(x2,x1), Var(x2), Cov(x2,x3)],
     [Cov(x3,x1), Cov(x3,x2), Var(x3)]]

避坑指南：我曾经在写卡尔曼滤波代码时，把协方差矩阵初始化成了单位矩阵。结果滤波器收敛特别慢，因为单位矩阵假设所有状态都不相关，这显然不符合实际。后来我根据电机参数计算了初始协方差，收敛速度明显提升。记住：协方差矩阵的初值很重要，别随便填。

条件概率，说白了就是“知道了A，B的概率会怎么变”。数学上：

P(B|A) = P(A∩B) / P(A)

在电机控制里，这太常见了。比如：已知当前电流测量值，转子位置的概率分布是什么？这就是条件概率问题。

我举个例子：你有一个永磁同步电机，位置传感器坏了。你只能通过电流测量来估计位置。已知电流 i，求位置 θ 的概率 P(θ|i)。这就是条件概率在电机控制中的典型应用。

贝叶斯定理是条件概率的逆用。它告诉我们：如何根据观测结果，更新我们对未知状态的信念。

P(状态|观测) = P(观测|状态) * P(状态) / P(观测)

翻译成电机控制语言：

卡尔曼滤波的每一步，本质上就是在做贝叶斯更新。预测步骤得到先验，更新步骤结合观测得到后验。然后后验又成为下一步的先验——循环往复。

注意：贝叶斯定理要求你有一个合理的先验。如果先验完全错误，后验也会被带偏。我刚开始做卡尔曼滤波时，把初始转速设成了0，但电机实际在高速旋转。结果滤波器花了很长时间才收敛。后来我学乖了，先给一个宽泛的先验（大方差），让数据自己说话。

下面这张图，帮你理清今天讲的内容之间的关系：

今天的内容，说白了就一句话：卡尔曼滤波就是用高斯分布描述不确定性，用协方差矩阵描述状态关系，用贝叶斯定理做状态更新。

你想想看，电机控制中，我们永远无法精确知道转子的位置和转速。我们能做的，就是不断用测量数据去“猜”，并且知道这个“猜”有多靠谱。概率论给了我们一套严谨的数学工具来做这件事。

我个人建议，如果你刚开始接触卡尔曼滤波，先别急着看公式推导。先把高斯分布、协方差矩阵、贝叶斯定理这三个概念吃透。剩下的，就是套公式的事了。

核心要点：

好了，今天就到这里。下次我们讲卡尔曼滤波的五个核心公式，到时候你会发现，今天学的这些全用上了。