多传感器最优估计理论及其应用PDF电子书下载

第1章 绪论 1

1.1 背景与意义 1

1.2 多传感器数据融合的体系结构 2

1.2.1 多传感器数据融合的定义 2

1.2.2 多传感器数据融合的原理与体系结构 3

1.2.3 多传感器数据融合的优缺点 7

1.3 多传感器数据融合估计算法分类综述 8

1.3.1 采样率系统 9

1.3.2 单采样率多传感器数据融合状态估计算法 11

1.3.3 多采样率多传感器数据融合状态估计算法 14

1.3.4 异步多传感器数据融合估计算法 19

1.3.5 噪声相关环境下的数据融合估计算法 20

1.3.6 网络环境下的滤波和融合问题 22

1.3.7 非线性系统数据融合估计算法 27

1.4 组合导航系统与方法概述 30

1.5 当前研究热点、难点与未来的研究方向 33

1.6 本书的主要内容及章节安排 34

1.7 本章小结 35

第2章 随机离散动态系统的Kalman滤波 36

2.1 问题的提出 36

2.2 最优均方估计 37

2.2.1 最优均方估计的定义 37

2.2.2 线性最优均方估计 38

2.3 Kalman最优滤波基本方程 40

2.3.1 系统描述 40

2.3.2 离散时间Kalman滤波基本方程 42

2.3.3 离散时间Kalman滤波基本方程的直观推导 44

2.3.4 离散时间Kalman滤波基本方程的投影法证明 48

2.4 Kalman最优预测基本方程 52

2.4.1 状态的预测估计 52

2.4.2 状态预测估计的修正 53

2.4.3 最优增益阵 54

2.4.4 误差的无偏性及误差方差阵 55

2.4.5 离散系统Kalman最优预测基本方程 56

2.5 Kalman最优平滑基本方程 57

2.5.1 固定区间最优平滑 58

2.5.2 固定点最优平滑 58

2.5.3 固定滞后最优平滑 60

2.6 扩展Kalman滤波 61

2.6.1 围绕标称轨道线性化滤波方法 62

2.6.2 围绕滤波值线性化滤波方法 65

2.7 本章小结 67

第3章 变速率非均匀采样系统的Kalman滤波 68

3.1 引言 68

3.2 问题描述 68

3.3 非均匀采样系统的Kalman滤波算法 70

3.4 算法性能分析 78

3.5 仿真实例 80

3.6 本章小结 83

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 84

4.1 引言 84

4.2 小波分析概述 85

4.2.1 小波变换的定义与基本性质 85

4.2.2 多尺度分析 88

4.2.3 Mallat算法 92

4.3 多尺度Kalman滤波 96

4.4 基于多尺度测量预处理的数据融合 100

4.4.1 系统描述 100

4.4.2 信号的多尺度表示 101

4.4.3 基于小波变换的多尺度测量预处理 102

4.4.4 基于多传感器多尺度测量预处理的信号去噪方法 103

4.5 仿真实例 104

4.6 本章小结 107

第5章 基于线性系统的多速率传感器数据融合估计 108

5.1 引言 108

5.2 问题描述 108

5.3 线性动态系统的多速率多传感器数据融合估计 110

5.3.1 基于状态分块的融合估计算法 110

5.3.2 两种分布式数据融合状态估计算法 114

5.4 仿真实例 121

5.5 本章小结 124

第6章 随机丢包情况下多速率传感器鲁棒融合估计 125

6.1 引言 125

6.2 问题描述 125

6.3 基于不完全观测数据的多速率传感器融合估计算法 126

6.3.1 模型约简 126

6.3.2 融合算法 130

6.4 仿真实例 131

6.5 本章小结 136

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 137

7.1 引言 137

7.2 问题描述 138

7.3 尺度递归融合估计算法 139

7.3.1 多尺度状态空间模型 139

7.3.2 尺度递归状态融合估计算法 141

7.4 基于混合式结构的融合估计算法 150

7.5 两种分布式融合估计算法 155

7.5.1 递归联邦分布式融合估计 156

7.5.2 有反馈分布式融合估计 160

7.6 仿真实例 164

7.6.1 尺度递归融合估计算法仿真 164

7.6.2 混合式融合估计算法仿真 168

7.6.3 分布式融合估计算法仿真 170

7.7 本章小结 175

第8章 时不变系统异步多速率间歇数据的鲁棒融合估计 176

8.1 引言 176

8.2 问题描述 176

8.3 随机丢包下的异步多速率传感器数据融合算法 177

8.4 仿真实例 188

8.4.1 圆周运动的机动目标跟踪 188

8.4.2 目标跟踪系统的状态估计 192

8.5 本章小结 196

第9章 时变线性系统的异步多速率传感器数据融合估计 197

9.1 引言 197

9.2 问题描述 197

9.3 基于速率归一化和联邦Kalman滤波的分布式融合估计 198

9.3.1 异步多速率系统的速率归一化数学建模 199

9.3.2 基于联邦Kalman滤波的数据融合估计 203

9.4 异步多速率数据的顺序式融合估计 205

9.5 仿真实例 211

9.5.1 基于联邦Kalman滤波的融合估计算法仿真 211

9.5.2 顺序式融合估计算法仿真 217

9.6 本章小结 219

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 220

10.1 引言 220

10.2 问题描述 222

10.3 最优状态估计算法 223

10.3.1 异步多速率多传感器系统建模 223

10.3.2 无故障情况下的数据融合估计 226

10.3.3 存在不可靠观测情况下的状态容错融合估计算法 229

10.4 状态容错融合估计算法的性能分析 230

10.5 仿真实例 233

10.6 本章小结 241

第11章 相关噪声环境下的多传感器数据融合 243

11.1 引言 243

11.2 问题描述 243

11.3 最优融合算法 244

11.3.1 最优集中式融合 244

11.3.2 最优顺序式融合 244

11.3.3 最优分布式融合 247

11.4 仿真实例 251

11.5 本章小结 255

第12章 相关噪声环境下多速率传感器融合估计 257

12.1 引言 257

12.2 问题描述 258

12.3 序贯式融合估计算法 259

12.4 分布式融合估计算法 267

12.5 仿真实例 274

12.5.1 序贯式融合估计算法仿真 274

12.5.2 分布式融合估计算法仿真 278

12.6 本章小结 282

第13章 噪声统计特性未知情况下的多源信息融合估计 283

13.1 引言 283

13.2 相关多源信息融合估计算法简述 283

13.2.1 广义凸组合融合算法 283

13.2.2 基于集合论的松弛切比雪夫中心协方差交叉算法 286

13.2.3 基于信息论的快速协方差交叉算法 288

13.2.4 容错广义凸组合融合算法 292

13.3 两种改进的多源信息融合估计算法 296

13.3.1 改进的松弛切比雪夫协方差交叉融合算法 296

13.3.2 改进的快速协方差交叉算法 298

13.4 仿真实例 299

13.4.1 Kalman滤波算法得到局部估计值 299

13.4.2 RCC-CI、IT-FCI、DCI仿真分析 300

13.4.3 FGCC、CI/CU仿真分析 305

13.4.4 改进算法的仿真分析 308

13.5 本章小结 310

第14章 非线性系统异步多速率传感器数据融合估计 312

14.1 引言 312

14.2 问题描述 313

14.3 状态融合估计算法 314

14.3.1 基于SPKF方法估计非线性时变系统的状态 315

14.3.2 基于STF方法估计非线性时变系统的状态 320

14.3.3 非线性系统状态估计新算法：SPSTF 324

14.4 仿真实例 331

14.5 本章小结 339

第15章 非线性系统异步多速率传感器数据容错融合估计 340

15.1 引言 340

15.2 问题描述 341

15.3 异步多速率传感器数据容错融合估计算法 342

15.4 仿真实例 348

15.5 本章小结 356

第16章 多传感器最优估计理论在导航系统中的应用 357

16.1 引言 357

16.2 组合导航系统模型 357

16.3 多速率系统的鲁棒Kalman滤波及在导航系统中的应用 361

16.4 仿真实例 365

16.5 本章小结 367

参考文献 368