数组实现贝叶斯过滤的核心是用一维数组存储各状态（如26字母）的置信度，通过字符映射索引、加权缩放与归一化完成先验统计、条件更新及噪声似然融合，全程无需矩阵或积分。
用数组实现贝叶斯过滤逻辑，核心是把“状态可能性”存成一维数组，每个下标对应一个可能取值（比如位置0～9、类别“是/否”、字符'a'～'z'），数组值就是当前对该状态的置信度（概率）。处理字符变量时，关键是把字符映射为数组索引，再按贝叶斯规则更新数值——不需要复杂公式，靠加权缩放和归一化就能跑通。
用数组表示先验与状态空间
假设你要统计一段文本中26个小写字母的出现概率。直接声明一个长度为26的整数数组 count[26]，初始化全0；遍历字符串时，对每个字符 c，执行：
count[c - 'a'] += 1
结束后，将 count 数组转为概率数组 prob[26]：对每个 i，计算 prob[i] = count[i] / 总字符数。这就得到了字符的**经验先验分布**——它不依赖任何模型，纯靠频次驱动，是贝叶斯更新的起点。
加入观测并做贝叶斯更新
现在你拿到一条新观测，比如“当前字符是元音”，这相当于一个条件信息。设元音集合为 {'a','e','i','o','u'}，对应索引 [0,4,8,14,20]。你想用这条信息修正原有概率，即求后验 P(字符=c | 是元音)。
- 先提取所有元音位置的概率和：sum_vowel = prob[0]+prob[4]+prob[8]+prob[14]+prob[20]
- 对每个元音索引 i，更新：prob[i] = prob[i] / sum_vowel
- 对所有非元音索引 j，设 prob[j] = 0
这个操作等价于应用似然函数 L(c) = 1（若c是元音）、0（否则），再做归一化。数组本身没变结构，只重分配了质量——这就是离散贝叶斯更新最简形态。
处理带噪声的字符传感器输出
如果输入不是确定字符，而是带误差的信号（例如传感器返回“疑似'e'”，但有20%概率其实是'd'或'f'），就可以引入**似然核**。定义一个3×1数组 kernel = [0.2, 0.6, 0.2]，中心对应真实字符，两侧代表邻近干扰。
- 对当前观测指向字符 'e'（索引4），在 prob 数组上做局部卷积：
new_prob[3] += prob[4] * 0.2
new_prob[4] += prob[4] * 0.6
new_prob[5] += prob[4] * 0.2 - 对其他字符同理，最后对 new_prob 归一化（除以总和）
整个过程仍只用一维数组加标量乘法和累加，没有矩阵、没有积分、不涉及连续分布——适合嵌入式、教学演示或快速原型。
注意边界与归一化时机
数组实现容易忽略两个实际细节：
- 字符范围要明确：只统计小写？是否包含空格、数字、标点？建议预处理统一转换（如 tolower()），或扩展数组到128（覆盖ASCII），用 freq[(unsigned char)c] 避免负索引
-
归一化不能省略：每次更新后必须确保数组元素之和为1。可写个辅助函数：
double s = 0; for(int i=0; i for(int i=0; i
不归一会导致概率漂移，几次更新后数值失真，滤波失效。
