現(xiàn)代信息融合技術(shù)在組合導(dǎo)航中的應(yīng)用

第1章　信息融合與組合導(dǎo)航
1.1 信息融合的基本概念
1.1.1　信息融合的由來
1.1.2　信息融合的定義
1.1.3　信息融合技術(shù)的應(yīng)用
1.2　信息融合系統(tǒng)的功能與結(jié)構(gòu)模型
1.2.1　信息融合系統(tǒng)的功能級別
1.2.2　信息融合系統(tǒng)的功能模型
1.2.3　信息融合系統(tǒng)的結(jié)構(gòu)模型
1.2.4　信息融合理論的研究動向
1.3 導(dǎo)航系統(tǒng)的基本概念
1.3.1　導(dǎo)航的基本概念
1.3.2　導(dǎo)航系統(tǒng)在現(xiàn)代戰(zhàn)爭中的地位
1.3.3　主要導(dǎo)航系統(tǒng)概述
1.3.4　環(huán)境信息獲取系統(tǒng)
1.3.5　信息支持與決策控制系統(tǒng)
1.4　組合導(dǎo)航系統(tǒng)的基本概念
1.4.1　組合導(dǎo)航的歷史與發(fā)展
1.4.2　組合導(dǎo)航的基本概念
1.4.3　常見的組合導(dǎo)航系統(tǒng)
1.4.4　海軍艦艇組合導(dǎo)航系統(tǒng)
1.5　組合導(dǎo)航理論的發(fā)展
1.5.1　組合導(dǎo)航與信息融合之間的關(guān)系
1.5.2　線性組合導(dǎo)航系統(tǒng)狀態(tài)估計理論
1.5.3　非線性組合導(dǎo)航系統(tǒng)狀態(tài)估計理論
本章小結(jié)
參考文獻
第2章　組合導(dǎo)航數(shù)學基礎(chǔ)與研究方法
2.1 組合導(dǎo)航數(shù)學基礎(chǔ)
2.1.1　概率論基礎(chǔ)知識
2.1.2　隨機過程基礎(chǔ)知識
2.2　具有隨機干擾的線性動力學系統(tǒng)
2.2.1　隨機線性連續(xù)系統(tǒng)的數(shù)學模型
2.2.2　隨機線性離散系統(tǒng)的數(shù)學模型
2.2.3　隨機線性連續(xù)系統(tǒng)的離散化
2.3　導(dǎo)航系統(tǒng)數(shù)學模型
2.3.1　慣性導(dǎo)航系統(tǒng)數(shù)學誤差模型
2.3.2　衛(wèi)星導(dǎo)航系統(tǒng)誤差數(shù)學模型
2.4　最優(yōu)估計方法
2.4.1　最小二乘估計
2.4.2　最小方差估計與線性最小方差估計
2.4.3　極大驗后估計與極大似然估計
2.4.4　貝葉斯估計
2.4.5　幾種最優(yōu)估計比較
2.5　組合導(dǎo)航系統(tǒng)的研究方法
2.5.1　組合導(dǎo)航系統(tǒng)研究的一般過程
2.5.2　組合導(dǎo)航系統(tǒng)的設(shè)計模式
2.5.3　組合導(dǎo)航數(shù)學仿真方法
2.5.4　組合導(dǎo)航系統(tǒng)的測試
2.6　組合導(dǎo)航系統(tǒng)數(shù)字開發(fā)平臺
2.6.1　組合導(dǎo)航系統(tǒng)數(shù)字開發(fā)平臺架構(gòu)
2.6.2　數(shù)字開發(fā)平臺系統(tǒng)數(shù)學模型研究
2.6.3　組合導(dǎo)航系統(tǒng)數(shù)字開發(fā)平臺功能
本章小結(jié)
參考文獻
第3章　離散線性系統(tǒng)最優(yōu)估計方法及其應(yīng)用
3.1　卡爾曼濾波的基本概念
3.1.1　卡爾曼濾波的基本原理
3.1.2　最優(yōu)濾波、預(yù)測與平滑的概念
3.2　隨機線性離散系統(tǒng)的卡爾曼濾波方程
3.2.1　隨機線性離散系統(tǒng)的卡爾曼濾波方程的直觀推導(dǎo)
3.2.2　隨機線性連續(xù)系統(tǒng)的卡爾曼濾波基本方程
3.3　線性系統(tǒng)卡爾曼濾波的貝葉斯推導(dǎo)
3.3.1　遞推貝葉斯估計
3.3.2　隨機線性離散系統(tǒng)的卡爾曼濾波方程的貝葉斯推導(dǎo)
3.4　卡爾曼濾波的穩(wěn)定性
3.5　隨機線性離散系統(tǒng)的最優(yōu)預(yù)測
3.6　隨機線性離散系統(tǒng)的最優(yōu)平滑
3.6.　1平滑估計方法
3.6.2　固定區(qū)間平滑遞推公式推導(dǎo)
3.7　基于INS的組合導(dǎo)航通用卡爾曼濾波模型
3.7.1　GINS系統(tǒng)平臺與姿態(tài)角誤差變換矩陣
3.7.2　基于INS的組合導(dǎo)航通用卡爾曼濾波模型
3.7.3　不同外觀測量下的組合子系統(tǒng)的可觀測性分析
3.7.4　不同外觀測量下的初始對準可觀測度分析
3.8　卡爾曼濾波在組合導(dǎo)航中的應(yīng)用算例
3.8.1　卡爾曼濾波器在INS／GPS組合導(dǎo)航中的應(yīng)用
3.8.2　最優(yōu)平滑濾波在INS／GPS組合導(dǎo)航中的算例
本章小結(jié)
參考文獻
第4章　自適應(yīng)卡爾曼濾波技術(shù)及其應(yīng)用
4.1　卡爾曼濾波的發(fā)散問題
4.1.1　卡爾曼濾波發(fā)散的原因
4.1.2　卡爾曼濾波的發(fā)散現(xiàn)象舉例
4.2　卡爾曼濾波的發(fā)散的抑制
4.2.1　衰減記憶濾波算法
4.2.2　限定記憶濾波算法
4.2.3　自適應(yīng)濾波原理
4.3　卡爾曼濾波器新息序列
4.3.1　卡爾曼濾波器新息的概念
4.3.2　新息方式的卡爾曼濾波形式
4.3.3　濾波器理想穩(wěn)態(tài)時新息序列
4.3.4　濾波器非理想狀態(tài)時的新息序列
4.4　基于新息自適應(yīng)估計（IAE）的卡爾曼濾波技術(shù)
4.4.1　新息調(diào)制方差匹配技術(shù)
4.4.2　新息自適應(yīng)估計卡爾曼濾波算法
4.4.3　新息相關(guān)法自適應(yīng)濾波
4.5　基于多模型自適應(yīng)估計（MMAE）卡爾曼濾波技術(shù)
4.6　強跟蹤自適應(yīng)卡爾曼濾波器
4.7　GPS／INS組合導(dǎo)航系統(tǒng)自適應(yīng)濾波
4.7.1　IAE自適應(yīng)卡爾曼濾波數(shù)字驗證
4.7.2　靜態(tài)試驗驗證
本章小結(jié)
參考文獻
第5章　非線性系統(tǒng)狀態(tài)估計及其應(yīng)用
5.1　非線性系統(tǒng)基本概念
5.2　擴展卡爾曼濾波
5.2.1　圍繞標稱狀態(tài)線性化的卡爾曼濾波方程
5.2.2　圍繞估計狀態(tài)的線性化
5.2.3　實例分析
5.3　無跡卡爾曼濾波（UKF）
5.3.1　Unscented變換
5.3.2　Unscented卡爾曼濾波基本方程
5.3.3　實例分析
5.4　粒子濾波
5.4.1　粒子濾波的理論基礎(chǔ)
5.4.2　重要性密度的選擇
5.4.3　SIR濾波器
5.4.4　粒子濾波應(yīng)用實例
5.5　非線性濾波技術(shù)在GPS／DR組合定位系統(tǒng)中的應(yīng)用
5.5.1　DR系統(tǒng)定位原理
5.5.2　GPS／DR組合系統(tǒng)的狀態(tài)方程
5.5.3　GPS／DR組合系統(tǒng)的量測方程
5.5.4　三種非線性濾波方法比較
5.6　基于UKWPF的水下導(dǎo)航組合濾波器設(shè)計
5.6.1　DR／INS濾波模型
5.6.2　UKF／PF混合濾波算法
5.6.3　基于UKF／PF的組合濾波器仿真試驗
本章小結(jié)
參考文獻
第6章　模糊自適應(yīng)狀態(tài)估計及其應(yīng)用
6.1　模糊理論概述
6.1.1　模糊現(xiàn)象存在的普遍性
6.1.2　模糊理論的基本概念
6.2　模糊理論基礎(chǔ)知識
6.2.1　模糊集合
6.2.2　隸屬函數(shù)
6.2.3　模糊關(guān)系和模糊矩陣
6.2.4　模糊規(guī)則與模糊推理
6.2.5　Mamdani型推理與sugeno型推理
6.3　模糊控制器的設(shè)計方法
6.3.1　模糊邏輯控制過程
6.3.2　輸入變量和輸出變量的確定
6.3.3　論域的確定
6.3.4　模糊化方法
6.3.5　解模糊判決方法
6.4　組合導(dǎo)航系統(tǒng)模糊規(guī)則設(shè)計方法
6.4.1　模糊控制規(guī)則一般設(shè)計方法
6.4.2　基于系統(tǒng)工作狀態(tài)的組合導(dǎo)航系統(tǒng)模糊規(guī)則設(shè)計方法
6.4.3　基于濾波器新息狀態(tài)的組導(dǎo)系統(tǒng)模糊規(guī)則設(shè)計方法
6.5　模糊控制在車載GPS／DR組合導(dǎo)航系統(tǒng)中的應(yīng)用
6.5.1　基于卡爾曼濾波器的車載DR系統(tǒng)
6.5.2　車載GPS／DR組合導(dǎo)航系統(tǒng)方案
6.5.3　基于模糊規(guī)則的GPS!DR融合算法
本章小結(jié)
參考文獻
第7章　神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)及其應(yīng)用
7.1　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識
7.1.1　引言
7.1.2　神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)
7.1.3　神經(jīng)網(wǎng)絡(luò)的學習方法
7.1.4　神經(jīng)網(wǎng)絡(luò)工程應(yīng)用的能力特點
7.2　典型神經(jīng)網(wǎng)絡(luò)及其學習算法
7.2.1　誤差反向傳播網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）
7.2.2　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF網(wǎng)絡(luò)）
7.3　自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（ANFIS）
7.3.1　ANFIS的結(jié)構(gòu)
7.3.2　ANFIS的學習算法
7.3.3　ANFIS的總體評價
7.4　基于神經(jīng)網(wǎng)絡(luò)技術(shù)的狀態(tài)估計
7.4.1　神經(jīng)網(wǎng)絡(luò)狀態(tài)估計的特點
7.4.2　神經(jīng)網(wǎng)絡(luò)狀態(tài)估計的關(guān)鍵問題
7.4.3　神經(jīng)網(wǎng)絡(luò)狀態(tài)估計的主要方法
7.5　神經(jīng)網(wǎng)絡(luò)在組合導(dǎo)航信息融合的應(yīng)用
7.5.1　組合導(dǎo)航神經(jīng)網(wǎng)絡(luò)信息融合的主要方法
7.5.2　基于BP神經(jīng)網(wǎng)絡(luò)的GPS／INS組合導(dǎo)航信息融合方法
7.5.3　基于ANFIS神經(jīng)網(wǎng)絡(luò)的GPS／INS組合導(dǎo)航信息融合方法
本章小結(jié)
參考文獻
第8章　聯(lián)邦卡爾曼濾波技術(shù)及其應(yīng)用
8.1　各子濾波器估計不相關(guān)條件下的聯(lián)邦濾波算法
8.2　各子濾波器估計相關(guān)條件下的聯(lián)邦濾波算法
8.2.1　信息分配原則與全局最優(yōu)估計
8.2.2　聯(lián)邦濾波算法的時間更新
8.2.3　聯(lián)邦濾波算法的觀測更新
8.2.4　聯(lián)邦卡爾曼濾波器設(shè)計步驟
8.3　聯(lián)邦濾波器控制結(jié)構(gòu)與信息分配
8.3.1　聯(lián)邦卡爾曼濾波器控制結(jié)構(gòu)
8.3.2　公共參考信息的分配原則
8.3.3　聯(lián)邦濾波器信息分配算法
8.4　聯(lián)邦濾波器設(shè)計數(shù)據(jù)時空關(guān)聯(lián)
8.4.1　信息的同步處理
8.4.2　非等間隔時間關(guān)聯(lián)問題
8.4.3　算法最優(yōu)性證明
8.5　聯(lián)邦濾波器容錯設(shè)計算法
8.5.1　聯(lián)邦系統(tǒng)故障檢測與隔離算法
8.5.2　聯(lián)邦系統(tǒng)重構(gòu)與信息補償方法
8.6　聯(lián)邦卡爾曼濾波算法在艦艇組合導(dǎo)航系統(tǒng)中的應(yīng)用
8.6.1　組合導(dǎo)航系統(tǒng)聯(lián)邦卡爾曼濾波器設(shè)計
8.6.2　組合導(dǎo)航系統(tǒng)容錯設(shè)計
8.6.3　數(shù)學仿真與結(jié)果分析
本章小結(jié)
參考文獻