多传感器最优估计理论及其应用

前言

第1章绪论

1.1背景与意义

1.2多传感器数据融合的体系结构

1.2.1多传感器数据融合的定义

1.2.2多传感器数据融合的原理与体系结构

1.2.3多传感器数据融合的优缺点

1.3多传感器数据融合估计算法分类综述

1.3.1采样率系统

1.3.2单采样率多传感器数据融合状态估计算法

1.3.3多采样率多传感器数据融合状态估计算法

1.3.4异步多传感器数据融合估计算法

1.3.5噪声相关环境下的数据融合估计算法

1.3.6网络环境下的滤波和融合问题

1.3.7非线性系统数据融合估计算法

1.4组合导航系统与方法概述

1.5当前研究热点、难点与未来的研究方向

1.6本书的主要内容及章节安排

1.7本章小结

第2章随机离散动态系统的Kalman滤波

2.1问题的提出

2.2最优均方估计

2.2.1最优均方估计的定义

2.2.2线性最优均方估计

2.3Kalman最优滤波基本方程

2.3.1系统描述

2.3.2离散时间Kalman滤波基本方程

2.3.3离散时间Kalman滤波基本方程的直观推导

2.3.4离散时间Kalman滤波基本方程的投影法证明

2.4Kalman最优预测基本方程

2.4.1状态的预测估计

2.4.2状态预测估计的修正

2.4.3最优增益阵

2.4.4误差的无偏性及误差方差阵

2.4.5离散系统Kalman最优预测基本方程

2.5Kalman最优平滑基本方程

2.5.1固定区间最优平滑

2.5.2固定点最优平滑

2.5.3固定滞后最优平滑

2.6扩展Kalman滤波

2.6.1围绕标称轨道线性化滤波方法

2.6.2围绕滤波值线性化滤波方法

2.7本章小结

第3章变速率非均匀采样系统的Kalman滤波

3.1引言

3.2问题描述

3.3非均匀采样系统的Kalman滤波算法

3.4算法性能分析

3.5仿真实例

3.6本章小结

第4章多尺度Kalman滤波及基于多尺度测量预处理的数据融合

4.1引言

4.2小波分析概述

4.2.1小波变换的定义与基本性质

4.2.2多尺度分析

4.2.3Mallat算法

4.3多尺度Kalman滤波

4.4基于多尺度测量预处理的数据融合

4.4.1系统描述

4.4.2信号的多尺度表示

4.4.3基于小波变换的多尺度测量预处理

4.4.4基于多传感器多尺度测量预处理的信号去噪方法

4.5仿真实例

4.6本章小结

第5章基于线性系统的多速率传感器数据融合估计

5.1引言

5.2问题描述

5.3线性动态系统的多速率多传感器数据融合估计

5.3.1基于状态分块的融合估计算法

5.3.2两种分布式数据融合状态估计算法

5.4仿真实例

5.5本章小结

第6章随机丢包情况下多速率传感器鲁棒融合估计

6.1引言

6.2问题描述

6.3基于不完全观测数据的多速率传感器融合估计算法

6.3.1模型约简

6.3.2融合算法

6.4仿真实例

6.5本章小结

第7章时不变线性系统的异步多速率传感器数据融合估计

7.1引言

7.2问题描述

7.3尺度递归融合估计算法

7.3.1多尺度状态空间模型

7.3.2尺度递归状态融合估计算法

7.4基于混合式结构的融合估计算法

7.5两种分布式融合估计算法

7.5.1递归联邦分布式融合估计

7.5.2有反馈分布式融合估计

7.6仿真实例

7.6.1尺度递归融合估计算法仿真

7.6.2混合式融合估计算法仿真

7.6.3分布式融合估计算法仿真

7.7本章小结

第8章时不变系统异步多速率间歇数据的鲁棒融合估计

8.1引言

8.2问题描述

8.3随机丢包下的异步多速率传感器数据融合算法

8.4仿真实例

8.4.1圆周运动的机动目标跟踪

8.4.2目标跟踪系统的状态估计

8.5本章小结

第9章时变线性系统的异步多速率传感器数据融合估计

9.1引言

9.2问题描述

9.3基于速率归一化和联邦Kalman滤波的分布式融合估计

9.3.1异步多速率系统的速率归一化数学建模

9.3.2基于联邦Kalman滤波的数据融合估计

9.4异步多速率数据的顺序式融合估计

9.5仿真实例

9.5.1基于联邦Kalman滤波的融合估计算法仿真

9.5.2顺序式融合估计算法仿真

9.6本章小结

第10章异步多速率传感器线性系统的建模与容错融合估计

10.1引言

10.2问题描述

10.3最优状态估计算法

10.3.1异步多速率多传感器系统建模

10.3.2无故障情况下的数据融合估计

10.3.3存在不可靠观测情况下的状态容错融合估计算法

10.4状态容错融合估计算法的性能分析

10.5仿真实例

10.6本章小结

第11章相关噪声环境下的多传感器数据融合

11.1引言

11.2问题描述

11.3最优融合算法

11.3.1最优集中式融合

11.3.2最优顺序式融合

11.3.3最优分布式融合

11.4仿真实例

11.5本章小结

第12章相关噪声环境下多速率传感器融合估计

12.1引言

12.2问题描述

12.3序贯式融合估计算法

12.4分布式融合估计算法

12.5仿真实例

12.5.1序贯式融合估计算法仿真

12.5.2分布式融合估计算法仿真

12.6本章小结

第13章噪声统计特性未知情况下的多源信息融合估计

13.1引言

13.2相关多源信息融合估计算法简述

13.2.1广义凸组合融合算法

13.2.2基于集合论的松弛切比雪夫中心协方差交叉算法

13.2.3基于信息论的快速协方差交叉算法

13.2.4容错广义凸组合融合算法

13.3两种改进的多源信息融合估计算法

13.3.1改进的松弛切比雪夫协方差交叉融合算法

13.3.2改进的快速协方差交叉算法

13.4仿真实例

13.4.1Kalman滤波算法得到局部估计值

13.4.2RCC-CI、IT-FCI、DCI仿真分析

13.4.3FGCC、CI/CU仿真分析

13.4.4改进算法的仿真分析

13.5本章小结

第14章非线性系统异步多速率传感器数据融合估计

14.1引言

14.2问题描述

14.3状态融合估计算法

14.3.1基于SPKF方法估计非线性时变系统的状态

14.3.2基于STF方法估计非线性时变系统的状态

14.3.3非线性系统状态估计新算法：SPSTF

14.4仿真实例

14.5本章小结

第15章非线性系统异步多速率传感器数据容错融合估计

15.1引言

15.2问题描述

15.3异步多速率传感器数据容错融合估计算法

15.4仿真实例

15.5本章小结

第16章多传感器最优估计理论在导航系统中的应用

16.1引言

16.2组合导航系统模型

16.3多速率系统的鲁棒Kalman滤波及在导航系统中的应用

16.4仿真实例

16.5本章小结

参考文献

《多传感器最优估计理论及其应用》是关于多传感器数据融合最优估计理论及其应用的一部专著，主要汇集了作者近十几年来在多传感器数据融合、多速率系统滤波、最优估计理论、组合导航等方面的代表性研究成果。《多传感器最优估计理论及其应用》涉及的理论和方法有：Kalman 滤波及其各种改进算法，异步多速率线性系统、非线性系统的滤波与融合方法，观测数据存在不可靠、随机丢包等故障条件下的数据融合状态估计方法，噪声相关环境下的数据融合方法，以及对上述各种情况鲁棒的组合导航算法等。