第1章 基础知识 1
1.1 Kalman滤波器的动力学模型 2
1.1.1 连续模型离散化 2
1.1.2 机动目标的经典动力学模型 5
1.2 Kalman滤波器 13
1.3 自适应参数机动目标模型估计方法 14
1.4 小结 19
第一部分 基于Kalman滤波器的时间序列分析 23
第2章 Kalman滤波器在时间序列动力学中的应用 23
2.1 相关知识介绍 23
2.2 时间序列数据的动力学建模 25
2.2.1 主趋势提取模型 25
2.2.2 主趋势变换模型 25
2.3 实验研究 26
2.4 小结 29
第3章 Kalman滤波器在时间序列压缩中的应用 30
3.1 时间序列压缩的应用背景 30
3.2 时间序列压缩的研究现状 31
3.3 时间序列压缩的解决方案 32
3.3.1 规则采样压缩法 32
3.3.2 随机不规则采样压缩法 33
3.3.3 弹簧驱动的采样压缩法 33
3.4 时间序列压缩的实验结果 34
3.4.1 数据 34
3.4.2 评价指标 35
3.4.3 实验结果 35
3.5 小结 37
参考文献 47
第4章 Kalman滤波器在时间序列预处理中的应用 48
4.1 时间序列提取基本趋势的应用背景 48
4.2 时间序列提取基本趋势的研究现状 49
4.3 时间序列提取基本趋势的解决方案 50
4.3.1 不规则采样和Kalman估计 51
4.3.2 三次样条插值重构 51
4.3.3 Max／Min／Mean均值替代 52
4.4 实验结果 52
4.4.1 评价指标 52
4.4.2 实验结果 53
4.5 小结 55
参考文献 62
第二部分 基于惯性导航原理的机器入移动轨迹重建 65
第5章 捷联式惯性导航系统的基本理论 65
5.1 捷联式惯性导航系统概述 65
5.1.1 捷联式惯性导航系统原理 65
5.1.2 捷联算法 66
5.2 惯性导航坐标系及其转换关系 67
5.2.1 常见惯性导航坐标系 67
5.2.2 坐标系问的相互转换 68
5.3 捷联式惯性导航系统姿态解算算法 70
5.3.1 姿态矩阵的微分方程描述 71
5.3.2 姿态矩阵的实时计算与更新 72
5.4 基于四元数的捷联式惯性导航姿态解算 74
5.4.1 四元数与捷联式惯导姿态矩阵 74
5.4.2 导航参数的计算 75
5.4.3 初始条件的给定与初始数据的计算 79
5.5 小结 80
参考文献 81
第6章 捷联式惯性导航系统的数字仿真 82
6.1 捷联式惯性导航数字仿真设计原理 82
6.2 飞行轨迹发生器的设计 83
6.2.1 仿真用坐标系 83
6.2.2 飞机的机动飞行过程 83
6.2.3 飞行轨迹参数的求取 84
6.3 惯导系统仿真器的设计 86
6.3.1 陀螺仪仿真器 86
6.3.2 加速度计仿真器 87
6.3.3 SINS导航解算仿真器 88
6.3.4 误差处理器 90
6.4 数字仿真系统的MATLAB建模及实现 90
6.4.1 数据的模拟生成 90
6.4.2 Kalman滤波器在含噪捷联式惯导系统解算中的应用 91
6.5 小结 95
参考文献 107
第7章 基于多传感器的路径重建系统的实现 108
7.1 机器人平台介绍 108
7.2 数据采集与预处理 109
7.3 路径重建系统实现算法流程 113
7.3.1 使用四阶龙格-库塔法更新四元数 114
7.3.2 基于多源信息融合方法重构轨迹 114
7.4 实验结果 116
7.5 小结 117
参考文献 117
第三部分 基于多传感器信息融合的室内目标跟踪技术 121
第8章 室内跟踪技术简介 121
8.1 室内跟踪定位技术介绍 121
8.2 室内跟踪技术的研究现状 123
8.2.1 RFID室内跟踪系统 124
8.2.2 惯性导航系统 125
8.2.3 多传感器信息融合 125
8.3 小结 127
参考文献 127
第9章 基于IMU的仿真系统与轨迹重建方法 129
9.1 基于IMU的运动轨迹测量数据仿真 129
9.1.1 加速度计仿真器的实现 129
9.1.2 陀螺仪仿真器的实现 130
9.1.3 惯性传感器数据的仿真结果 132
9.2 基于IMU的运动轨迹重构方法及仿真结果 134
9.2.1 基于惯性传感器测量数据的航位推算 134
9.2.2 仿真实验结果及误差分析 136
9.3 小结 137
参考文献 138
第10章 基于RFID的运动轨迹重构方法 139
10.1 基于RFID的运动轨迹测量数据仿真 139
10.1.1 RFID系统的测量模型 139
10.1.2 RFID阅读器数据的产生 140
10.2 基于RFID测量数据的运动轨迹重构方法 141
10.2.1 轨迹重构方法流程图 141
10.2.2 基于可变数量RFID阅读器的UKF跟踪方法 142
10.3 实验结果 146
10.4 小结 147
参考文献 148
第11章 基于RFID和IMU融合的室内跟踪方法 149
11.1 多传感器室内跟踪方法的算法流程 149
11.2 基于多传感器融合跟踪方法的仿真研究 150
11.3 基于多传感器融合跟踪方法的实验研究 153
11.3.1 数据采集与预处理 153
11.3.2 实验结果 157
11.4 小结 161
参考文献 166
第四部分 基于动态特征的金融数据时序关系建模 169
第12章 金融时序数据分析基础 169
12.1 量化投资的相关知识介绍 169
12.2 国内外研究现状 171
12.2.1 量化投资国内外研究现状 171
12.2.2 金融时序分析方法研究现状 173
12.3 小结 179
参考文献 179
第13章 基于时序数据的多维特征提取 183
13.1 静态特征 183
13.1.1 价格特征 184
13.1.2 资金特征 185
13.1.3 情绪特征 185
13.2 动态特征 187
13.3 特征提取 190
13.3.1 特征预处理 191
13.3.2 特征统计表现 192
13.4 小结 198
第14章 HMM建模方法 200
14.1 基于单一特征训练集的HMM建模方法 200
14.1.1 HMM原理 201
14.1.2 评价指标 203
14.1.3 模型建立及结果分析 205
14.2 基于多维特征测试集HMM建模方法 211
14.2.1 基于多维特征的HMM建模流程 211
14.2.2 实验结果 212
14.3 小结 217
第五部分 基于Kalman滤波器的信号去噪及参数辨识方法研究 221
第15章 基于SHAKF去噪方法的研究与实现 221
15.1 SHAKF的简要介绍 221
15.2 陀螺仪测量数据的在线建模 221
15.2.1 AR模型 221
15.2.2 基于RLS对AR模型参数进行估计 222
15.3 实时滤波 224
15.3.1 滤波器的选择 224
15.3.2 SHAKF算法 224
15.3.3 SHAKF算法分析 227
15.3.4 SHAKF算法的改进 229
15.4 基于AR模型自适应滤波的实验与分析 229
15.4.1 系统方程 229
15.4.2 实验结果 231
15.4.3 性能分析 233
15.4.4 实验仿真结果总结 234
15.5 小结 234
参考文献 238
第16章 基于二阶自适应统计模型的信号在线去噪 239
16.1 基于Kalman滤波和自适应统计模型的在线去噪算法 239
16.1.1 在线去噪的自适应统计模型 239
16.1.2 通过Yule-Walker算法进行自适应参数调整 241
16.2 实验研究 242
16.3 小结 249
参考文献 249
第17章 基于EKF算法的系统参数辨识 250
17.1 相关技术介绍 250
17.2 应用EKF进行系统参数辨识 252
17.3 Bouc-Wen模型实例仿真分析 252
17.4 小结 257
参考文献 258