信息滤波

对待事物，从对比和更高层次先去理解会透彻很多

---

像卡尔曼滤波，高斯是用它的矩参数来描述的，也就是均值(一阶矩)，方差(二阶矩)就可以描述一个滤波。还有一种和卡尔曼滤波对偶的滤波叫做信息滤波(information filter)，就是用它的正则参数来表述，用一个信息矩阵和一个信息向量来描述

信息矩阵为协方差矩阵的逆

信息向量

当然，信息滤波这个东西存在肯定是有它的应用意义的，例如，如果要表示不确定性只用将信息矩阵等于0即可，但是如果是在卡尔曼滤波中要表示不确定，意思就是无穷级的协方差

信息滤波及其扩展方法，例如之前提到的扩展信息滤波，使机器人能够进行信息整合，而不是立即将信息转化成概率。这一点在涉及成百甚至更多变量的复杂估计问题时有很大的优势。

上面这两种都是参数滤波，也就是用类似均值方差这种的参数就可以描述一个滤波
下面有几种是非参数滤波的。
他们并不用高斯去估计后验，而是根据有穷数量的值去估计后验。主要代表有直方图滤波，离散贝叶斯滤波和粒子滤波