非线性系统的状态估计方法PDF电子书下载

第1章 研究背景 1

1.1 粒子滤波理论 1

1.2 小结 7

参考文献 8

第2章 群体智能算法 10

2.1 粒子群优化算法 10

2.2 萤火虫算法 16

2.3 布谷鸟算法 24

2.4 鸡群算法 28

2.5 蝙蝠算法 32

2.6 烟花算法 39

2.7 差分进化算法 45

2.8 混合蛙跳算法 51

2.9 蚁群算法 54

2.10 小结 61

参考文献 61

第3章 群体智能算法优化粒子滤波 65

3.1 粒子群优化算法优化粒子滤波 65

3.2 其他基于PSO优化PF方法 67

3.3 萤火虫算法优化粒子滤波 92

3.4 蝙蝠算法优化粒子滤波 97

3.5 鸡群算法优化粒子滤波 100

3.6 混合蛙跳算法优化粒子滤波 101

3.7 布谷鸟算法优化粒子滤波 104

3.8 烟花算法优化粒子滤波 114

3.9 小结 139

参考文献 140

第4章 扩展卡尔曼滤波 143

4.1 扩展卡尔曼滤波 143

4.2 改进的自适应卡尔曼滤波 144

4.3 基于多新息理论优化的EKF（MI-EKF） 146

4.4 一种新的改进扩展卡尔曼滤波 153

4.5 改进粒子群算法优化的EKF 156

4.6 混杂扩展卡尔曼滤波的改进 161

4.7 基于雁群PSO的模糊自适应EKF 163

4.8 模糊神经网络优化扩展卡尔曼滤波 169

4.9 其他关于EKF的改进研究 172

4.10 基于学习的KPLS优化扩展卡尔曼滤波 178

4.11 小结 191

参考文献 191

第5章 粒子滤波的其他改进研究 194

5.1 和声搜索算法优化粒子滤波 194

5.2 多策略差分布谷鸟算法优化粒子滤波 196

5.3 改进的颜色粒子滤波 199

5.4 Student’s t分布的自适应重采样粒子滤波 201

5.5 基于万有引力优化的粒子滤波 204

5.6 基于多新息理论的优化粒子滤波 207

5.7 小结 217

参考文献 217