当前位置:首页 > 数理化
自校正滤波理论及其应用  现代时间序列分析方法
自校正滤波理论及其应用  现代时间序列分析方法

自校正滤波理论及其应用 现代时间序列分析方法PDF电子书下载

数理化

  • 电子书积分:12 积分如何计算积分?
  • 作 者:邓自立著
  • 出 版 社:哈尔滨:哈尔滨工业大学出版社
  • 出版年份:2003
  • ISBN:7560319238
  • 页数:343 页
图书介绍:
《自校正滤波理论及其应用 现代时间序列分析方法》目录

第一章离散随机系统模型 1

1.1 向量ARMA,AR,MA,CARMA模型 1

1.2 传递函数模型 9

1.3 状态空间模型 10

1.4 状态空间模型与CARMA模型的转化 16

1.5 构造纯量ARMA新息模型的解析法 19

1.6 求MA参数的Cevers-Wouters算法及MATLAB程序 21

1.7 用Cevers-Wouters算法构造ARMA新息模型 25

1.8 用迭代法求解Riccati方程构造ARMA新息模型 27

1.9 非线性随机模型 29

参考文献 31

第二章 基于最小二乘法的ARMA模型参数估计的几种快速算法 32

2.1 递推最小二乘法(RLS)及其收敛性 32

2.2 递推增广最小二乘(RELS)法 39

2.3 ARMA模型参数估计的两段RLS-RELS算法——改进的RELS算法 41

2.4 ARMA模型参数估计的两段RLS-LS算法 45

2.5 CARMA模型的三段RLS-LS-LS参数估计算法 49

2.6 向量CAR模型的多重RLS参数估计算法 52

2.7 向量CAR模型的多维RLS参数估计算法 54

2.8 向量CARMA模型的多重和多维RELS参数估计算法 56

2.9 向量CARMA模型的两段RLS-RELS参数估计算法 58

2.10 向量ARMA模型的两段RLS-LS参数估计算法 60

参考文献 63

第三章 带观测噪声的ARMA模型参数估计算法 65

3.1 带有色观测噪声的MA模型参数估计的G-W算法 65

3.2 带观测噪声的AR模型参数估计的偏差补偿最小二乘(BCLS)法 67

3.3 带有色观测噪声的AR模型参数估计的RELS算法 71

3.4 带白色观测噪声的AR模型参数估计的递推辅助变量(RIV)算法 72

3.5 带白色观测噪声的ARMA(n,n-1)模型参数估计的两段RELS-GW算法 74

3.6 带有色观测噪声的ARMA模型参数估计的三段RELS-GW-LS算法 75

3.7 带输入和输出观测噪声的传递函数模型参数估计 77

3.8 反卷积模型参数估计 79

参考文献 81

第四章 自校正白噪声估值器及其应用原理 83

4.1 白噪声估值器在石油地震勘探中的应用背景 84

4.2 白噪声估值器在状态或信号估计中的应用原理 86

4.3 Hilbert空间中的射影运算 88

4.4 统一的稳态最优白噪声估值器 90

4.5 白噪声新息滤波器与Wiener滤波器 95

4.6 自校正白噪声估值器 96

4.7 自校正白噪声估值器的收敛性 106

4.8 白噪声估值器在信号最优和自校正滤波和平滑问题中的应用 110

参考文献 115

第五章 自校正Kalman滤波器及其在跟踪系统中的应用 118

5.1 最优Kalman滤波器和预报器 119

5.2 基于Riccati方程的稳态Kalman滤波器和预报器 126

5.3 基于CARMA新息模型的稳态Kalman滤波器和预报器 131

5.4 自校正Kalman滤波器 143

5.5 自校正Kalman滤波器的收敛性 156

参考文献 159

第六章 自适应Kalman滤波技术 161

6.1 Sage和Husa的常的噪声统计估值器和自适应Kalman滤波 162

6.2 改进的Sage和Husa自适应Kalman滤波器——时变噪声统计估值器 165

6.3 基于白噪声估值器的噪声统计估值器和自适应Kalman滤波器 166

6.4 带模型噪声转移阵的系统噪声统计估值器和自适应Kalman滤波器 173

6.5 自适应Kalman滤波器在时变参数系统辨识中的应用 177

6.6 鲁棒Kalman滤波器——虚拟噪声补偿技术 179

6.7 ARMA模型参数估计的鲁棒Kalman滤波方法 183

6.8 非线性系统的鲁棒扩展Kalman滤波器 185

参考文献 192

第七章 自校正预报器 194

7.1 最优和自校正Box-Jenkins递推预报器 194

7.2 自校正Box-Jenkins递推预报器的收敛性 198

7.3 最优和自校正Astr?m递推预报器 204

7.4 自校正Astr?m预报器的收敛性 207

7.5 多变量最优和自校正Astr?m预报器 209

7.6 多变量Koivo最优和自校正预报器 210

7.7 自校正Wiener状态预报器 212

7.8 自校正指数平滑预报器 220

参考文献 225

8.1 多通道ARMA信号自校正Wiener估值器 227

第八章 自校正Wiener估值器和Kalman估值器及其在跟踪系统中的应用 227

8.2 自校正Kalman估值器 239

8.3 自校正Wiener状态估值器 249

8.4 自校正Wiener反卷积滤波器 262

8.5 广义系统自校正Kalman估值器 271

8.6 广义系统自校正Wiener状态估值器 276

8.7 广义系统自校正降阶Kalman与Wiener状态估值器 280

参考文献 283

第九章 多传感器信息融合最优和自校正Kalman滤波与Wiener滤波理论 284

9.1 两传感器线性最小方差最优融合估计算法 285

9.2 多传感器线性最小方差最优递推融合估计算法 290

9.3 多传感器极大后验融合估计准则 292

9.4 多传感器按对角阵加权线性最小方差最优融合估计算法 295

9.5 多传感器按标量加权线性最小方差最优融合估计算法 296

9.6 两传感器信息融合稳态最优和自校正Kalman滤波器 298

9.7 多传感器按矩阵加权信息融合稳态最优和自校正Kalman滤波器 318

9.8 多传感器按对角阵加权信息融合最优和自校正Kalman滤波器 323

9.9 多传感器信息融合稳态最优和自校正Kalman平滑器和预报器 325

9.10 多传感器信息融合稳态最优和自校正白噪声Wiener反卷积滤波器 327

9.1 1 两传感器单通道信息融合稳态最优和自校正Wiener信号滤波器和平滑器 335

9.12 两传感器单通道信息融合稳态最优和自校正Wiener信号反卷积滤波器 338

9.13 多传感器观测融合Kalman滤波器 342

参考文献 342

返回顶部