Chapter 11 · Demo 2 · 连续时序模型

Kalman Gain 与线索可靠性

Kalman gain 实现可靠性加权整合：观测越可靠，更新越大。
核心公式：\(K=\frac{P^-}{P^-+R}\)，\(\mu^+=\mu^-+K(y-\mu^-)\)

Prior / Likelihood / Posterior 曲线

观察提示

文献与案例意图

参考 Weiss et al. (2002) visual motion perception、Ernst & Banks (2002) cue integration、Knill & Pouget (2004) Bayesian brain。案例说明 Kalman gain 就是感觉可靠性加权——与多感觉整合的 precision-weighting 在数学上等价。

  • BRML Ch25
  • PML2 Ch8 Gaussian filtering