第1章 绪论 1
1.1 多传感器信息融合理论 1
1.1.1 多传感器信息融合 1
1.1.2 信息融合国内外发展现状 5
1.2 系统辨识 7
1.2.1 系统辨识的目的 8
1.2.2 系统辨识的方法 9
1.2.3 自校正滤波算法 11
1.3 非线性系统融合估计 14
1.3.1 信息融合结构模型 14
1.3.2 信息融合的主要技术方法 19
1.3.3 非线性系统估计研究现状 20
1.3.4 融合估计研究现状 21
1.3.5 非线性系统融合估计研究现状 24
1.4 主要研究内容 25
第2章 一般非线性系统滤波方法及性能分析 28
2.1 递推线性最小方差估计框架 29
2.1.1 射影定理 30
2.1.2 新息序列 35
2.1.3 递推线性最小方差滤波框架 38
2.1.4 Kalman滤波器 41
2.1.5 ARMA新息模型 46
2.1.6 基于ARMA新息模型的稳态Kalman滤波器 47
2.2 无迹Kalman滤波算法 48
2.2.1 UKF滤波算法原理 48
2.2.2 Sigma点采样策略 50
2.2.3 UKF滤波算法 55
2.3 容积Kalman滤波算法 56
2.3.1 容积规则 57
2.3.2 容积Kalman滤波算法 60
2.4 粒子滤波算法 63
2.4.1 最优贝叶斯递推滤波和重要性采样 63
2.4.2 序贯重要性采样 65
2.4.3 PF滤波算法 66
2.5 3种非线性滤波算法的比较分析 67
2.6 本章小结 68
第3章 线性系统的多传感器自校正加权观测融合Kalman滤波器 69
3.1 最优加权观测融合Kalman滤波器 71
3.1.1 线性系统的加权观测融合算法 71
3.1.2 最优加权观测融合Kalman滤波器 73
3.2 基于最小二乘法的自校正加权观测融合Kalman滤波器 74
3.2.1 自校正Kalman滤波器 74
3.2.2 基于最小二乘法的自校正加权观测融合Kalman滤波器 77
3.2.3 基于相关函数辨识器的自校正加权观测融合Kalman滤波器 80
3.3 基于协同辨识的自校正加权观测融合Kalman滤波器 82
3.3.1 具有相同观测矩阵和不相关观测噪声的情形 83
3.3.2 具有不同观测矩阵和不相关观测噪声情形 88
3.3.3 系统具有不同观测矩阵和相关观测噪声 95
3.4 仿真 98
3.5 本章小结 109
第4章 非线性系统的最优和自校正加权观测融合UKF滤波器 111
4.1 多传感器加权观测融合UKF滤波器 112
4.1.1 集中式观测融合UKF滤波器 113
4.1.2 加权观测融合UKF滤波器 113
4.1.3 加权观测融合UKF滤波器与集中式观测融合UKF滤波器在数值上的完全等价性 115
4.2 自校正加权观测融合UKF滤波器 121
4.2.1 噪声方差的估计算法 121
4.2.2 基于Sage-Husa估计的Qw估计算法 123
4.2.3 多传感器加权观测融合自校正UKF滤波器 125
4.3 仿真例子 125
4.4 本章小结 130
第5章 基于Taylor级数逼近的非线性系统加权观测融合估计理论 132
5.1 基于Taylor级数逼近的非线性系统加权观测融合算法 133
5.2 基于Taylor级数逼近的非线性系统加权观测融合UKF（WMF-UKF）滤波算法 139
5.2.1 基于Taylor级数逼近的非线性系统WMF-UKF滤波算法 139
5.2.2 WMF-UKF的渐近最优性 142
5.2.3 WMF-UKF的计算量分析 148
5.3 基于Taylor级数逼近的非线性系统加权观测融合CKF（WMF-CKF）滤波算法 149
5.3.1 基于Taylor级数逼近的非线性系统WMF-CKF滤波算法 149
5.3.2 WMF-CKF的渐近最优性 152
5.3.3 WMF-CKF的计算量分析 153
5.4 基于Taylor级数逼近的非线性系统加权观测融合PF（WMF-PF）滤波算法 153
5.4.1 基于Taylor级数逼近的非线性系统WMF-PF滤波算法 153
5.4.2 WMF-PF的渐近最优性 155
5.4.3 WMF-PF的计算量分析 156
5.5 WMF-UKF、WMF-CKF和WMF-PF的比较分析 157
5.6 仿真研究 157
5.7 本章小结 181
第6章 基于Gauss-Hermite逼近的非线性系统加权观测融合估计算法 183
6.1 基于Gauss-Hermite逼近的非线性系统加权观测融合（WMF）算法 184
6.1.1 Gauss-Hermite逼近 185
6.1.2 基于Gauss-Hermite逼近的非线性系统WMF算法 190
6.2 基于Gauss-Hermite逼近的非线性系统加权观测融合UKF（WMF-UKF）滤波算法 193
6.2.1 基于Gauss-Hermite逼近的非线性系统WMF-UKF滤波算法 193
6.2.2 WMF-UKF的计算量分析 197
6.3 基于Gauss-Hermite逼近的非线性系统加权观测融合CKF（WMF-CKF）滤波算法 197
6.3.1 基于Gauss-Hermite逼近的非线性系统WMF-CKF滤波算法 197
6.3.2 WMF-CKF的计算量分析 200
6.4 基于Gauss-Hermite逼近的非线性系统加权观测融合PF（WMF-PF）滤波算法 201
6.4.1 基于Gauss-Hermite逼近的非线性系统WMF-PF滤波算法 201
6.4.2 WMF-PF的计算量分析 203
6.5 仿真研究 203
6.6 本章小结 226
第7章 噪声相关的非线性系统加权观测融合估计算法 227
7.1 基于Taylor级数逼近的噪声相关非线性系统WMF-UKF滤波算法 228
7.1.1 系统噪声和观测噪声的去相关 229
7.1.2 噪声相关非线性系统WMF-UKF滤波算法 231
7.2 基于Taylor级数逼近的噪声相关非线性系统WMF-CKF滤波算法 234
7.3 基于Taylor级数逼近的噪声相关非线性系统WMF-PF滤波算法 237
7.4 基于Gauss-Hermite逼近的噪声相关非线性系统WMF-UKF滤波算法 239
7.5 基于Gauss-Hermite逼近的噪声相关非线性系统WMF-CKF滤波算法 243
7.6 基于Gauss-Hermite逼近的噪声相关非线性系统WMF-PF滤波算法 246
7.7 仿真研究 248
7.8 本章小结 267
第8章 多传感器加权观测融合Kalman滤波器的预测控制算法 268
8.1 加权观测融合Kalman滤波器的预测控制系统 268
8.2 加权观测融合预测控制算法 271
8.3 自校正加权观测融合预测控制算法 275
8.3.1 带相同观测矩阵和不相关观测噪声的情形 275
8.3.2 带不同观测矩阵和不相关观测噪声的情形 277
8.3.3 带不同观测矩阵和相关观测噪声的情形 281
8.4 仿真 284
8.4.1 带相同观测矩阵和不相关观测噪声的系统仿真 284
8.4.2 带不同观测矩阵和不相关观测噪声的系统仿真 288
8.4.3 带不同观测矩阵和相关观测噪声的系统仿真 293
8.5 本章小结 298
参考文献 300