上回转了个Kalman Filter的介绍，这回转一个粒子滤波（Particle Filter）的：
之前一直在做移动机器人定位算法。查来查去，发觉粒子滤波算法（又叫MC算法）应该算是最流行的了。因此开始学习使用之。入手的是本英文书叫 “probalistic robotic” 很不错，我所见到的讲得最好的一本书。花了大量时间去研读。在这里我想谈谈我对粒子滤波的一点认识。因为在这一领域算是个新手。希望有前辈或者达人来指正我的想法。也希望我的这篇文章对新手有理解他有所帮助（当初我就很是苦于它难于理解）在这里我不想谈粒子滤波的理论基础和推到，这点大家可以去自己翻书。我只谈下我的体会。
粒子滤波算法。他源于Montecarlo的思想，即以某事件出现的频率来指代该事件的概率。因此在滤波过程中，需要用到概率如P(x)的地方，一概对变量x采样，以大量采样的分布近似来表示P(x)。因此，采用此一思想，在滤波过程中粒子滤波可以处理任意形式的概率，而不像Kalman滤波只能处理高斯分布的概率问题。他的一大优势也在于此。
再来看对任意如下的状态方程&nbs [...]
没有经历过大航海时代的国家和人民怎能体验到那种探索未知的探险家精神呢？
也许这就是star trek在中国并不被关注的原因吧。
这部好莱坞式的电影更是勾起了童年对star trek的回忆，也重新点亮了自己对未知的向往。
数学决定了当今智能领域的发展，然而数学是否=智能？
我们现在所建立的几乎所有模型，依据状态空间模型，离散化后，会发现，对于一个系统，由上一个状态，我们总是能预测出下一个状态的值，然而对于真实的自然界生物系统，我们能否给出其下一个状态的精确预测？答案当然是否定的。
另外一个很简单的例子，白纸上有3个黑点，一个没有经过训练的小孩也能告诉你，纸上有1、2、3个黑点。电脑怎么做？电脑储存了每个像素的所有精确的值，然后或者是一个一个的做递归，或者是计算凹凸角的数量，最后得到所谓的counting值。可是，人会如此么？电脑对于每个像素的精确存储做的很好，可是，他还是不知道如何利用它所掌握的全局信息，而只能把这个全局信息分散成串行的像素进行分析。电脑是否记住了一个图像，只有0和1两种状态，而人却可以仅仅保留某一幅图像的大致印象，如此一来，人工智能想要发展，现有的计算机体系结构，尤其是存储结构，必须要革新。
另外，如今智能界已经叫嚣要崛起很多年了，可是依旧没有突破；机器人行业也叫嚣要复兴很多年了，可使用者依旧只有高校。是否我们能换一种思路，不去追求他的高新尖端的突破，而在于它的 [...]
在控制领域，基于模型的控制方法已经能解决相当多的问题，而不基于模型的方法，想PID，模糊控制之类的，则可以解决几乎所有的问题，所剩下的问题是效率的提高，以及基于模型控制的方法中的建模问题，这也就导致了控制走上了一条越来越理论化，越来越数学化的一条道路。也许，这在工业界，控制精度要求很高的情况下是相当有必要的，可是，控制并不精确的人类却是自然的主宰，我们的任何一个动作既没有建模，也没有PID，更没有所谓的slide mode， back-stepping，过度的依赖数学的模型，是不是我们走上的一条人工智能的误区呢？
同样，在模式识别领域，我们现有常用的方法，无非是基于形状和基于纹理的识别。归根结底呢，则是像素的匹配。这也是耗费了大量的计算才取得的效果。一个AAM的初始化时间就要几十秒，光靠提高处理器的运算速度所取得的识别效果是真正的模式识别么？蚂蚁的处理速度很高么，可是蚂蚁却能很好的分清食物，家的位置。没有任何一个动物的识别会去什么二值化，边缘算子，小波之类的，然而现在模式识别反复的研究仍旧逃不出这个框架，难道这就是人工智能该走的路么？
即便有一天，我们用极其快的处理器造 [...]
电子类学生大都知道IEEE, 这个IEEE就像一个大的BBS论坛，而这个协会下面有很多杂志，比如图像处理，信号处理，微波技术等。这些杂志就是论坛下的分版面。每个版面有版主（主编），版副（副主编）等职务。
大学里的教授负责组织人力在IEEE灌水。教授灌的水被别的论坛或版面转载或引用。这就叫坑。大牛教授挖大坑，小牛教授挖小坑。同学们就在这些大坑，小坑中灌水。
水越多的坑，坑就越牛，从而挖坑的教授（坑主）名气也越大。根据挖坑的大小，和水量，IEEE会评选出IEEE senior member (高级坑主)，IEEE fellow (坑王)，IEEE life fellow (终生坑王)。一般同学只要交了注册费就可以成为student member (灌水学员), 毕业后可成为member（灌水员）。
IEEE每个版面一般会举行一年一度的版聚(IEEE symposium)。大家从四面八方聚在一起交流灌水心得。一些坑王会在版聚时介绍挖坑经验(IEEE workshop)。为了鼓励灌水学员灌好水，为成为坑主作准备，版聚设了本年度最佳灌水奖(best student [...]
知道中国学术为什么不如美国吗？
因为中国人理论与实际脱离，中国只知实际而不知理论。
首先举一个控制的例子。国内的老师上课讲完之后，总是不忘了提醒：工业上百分之九十九都是PID，其他控制方法根本不实用；做项目，想到的第一方法，甚至唯一方法就是直接PID；国外老师来国内做关于无人机的报告，国内中科院老师第一个问题就是：你们使用PID做的吧……
在美国，你会发现，所有的理论都确实上是能在实际中使用的；在美国，如果做最简单的运动控制，第一步是建立状态空间，然后用卡尔曼滤波进行信号和状态处理，然后使用状态反馈进行控制……
再举人工智能的例子。中国人很擅长使用神经网络，无论何时出来一个新的领域，都会有中国人参与研究，发表关于神经网络，支持向量机，模糊控制甚至遗传算法在该领域中的应用；然而，中国人从来没有想过一个问题，就是，神经网络究竟能否被证明是收敛的？事实上，这个证明却是由美国人完成的。
中国做的很多所谓的研发，自称为达到国际先进水平，内行人往往一眼就能看出来，无非是几个成熟的算法串起来调试一下；中国的很多大学，科研机构，引进了很多高档设备，比美国大部分大 [...]
我们人可以靠视觉感官，电磁波是我们新发明的方法，因此，我们用电磁波来搜寻外星人，发送问答信号，希望能够得到回应，视觉被我们当作了生活中最普通的信号而不予以关注。
如果有外星人靠电磁波感官，而视觉是他们新发明的方法，因此，他们利用“可见光”来搜寻他们的外星人，发送问答信号，而电磁波被他们当作了生活中最普通的信号而不予以关注。
如此以来，生命如何搜索对方？
突然想起来，科幻世界上有一篇文章，一个起源于空心星球内部生命体，离开了那个星球后，仍然永远都会认为，宇宙就是一个空心的星球……
ET：向果对随机过程和概率中卡尔曼滤波的推导看得云里雾里的同志们推荐这么一篇文章：
为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。
在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。
假 设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时 间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。
好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系 [...]
中西方的文化的一个共同点在于人的本性：怕死。
为了能把自己延续下去，除了有神话，修工艺品厂的业务员，我的职业是积极地在城中寻找合适的商家推介特色的漆器、角梳、纸伞、绢扇、琉璃花瓶。厂里的集体宿炼，升仙之类的共性之外，他赋予所有人类予性欲和文明。
性欲是人类渴望把自己基因延续下去的一种表现，这是生理层面的；
文明是人类渴望把自己思想延续下去的一种表现，这是心里层面的；
性欲和文明满足了人类本不可能的永生的欲望。
中西方文化的差异表现在对事物的认知上，尤其是东方文化缺乏对数学本质的理解，但东方确有很好的形象认识，这个和象形文字应该有很大的关系。
双曲线和抛物线中文很好理解，一个是两条曲线构成的，而一个是伽利略曾说过的，抛投物体时的运动轨迹，都是从形态上描述。
双曲线英文中是hyperbola；抛物线英文中是parabola，有什么关系呢？
-bola代表的都是线，para-是平行，意思是若截面平行于圆锥的边，则可以得到抛物线 ；hyper-是过，那则是截面的角度过大了，截到了该圆锥的反向圆锥，得到的两条曲线。（下图）西方更加触及曲线的本质来源，感慨于古希腊人的发现。
