成功加入购物车
图书条目标准图
卞鸿巍 编 / 国防工业出版社 / 2010-12 / 平装
售价 ¥ 20.73 5.9折
定价 ¥35.00
品相 九五品
延迟发货说明
上书时间2025-11-02
卖家超过10天未登录
现代信息融合技术在组合导航中的应用
《现代信息融合技术在组合导航中的应用》重点研究的组合导航技术是一种研究活跃、应用广泛、典型的信息融合技术。主要内容有:信息融合和组合导航的基本概念、组合导航系统的数学基础和研究方法、线性离散系统最优估计方法、组合导航中各种卡尔曼滤波技术、非线性系统状态估计滤波方法、智能信息融合技术在组合导航中的应用方法、联邦卡尔曼滤波器的设计及应用等。本书可作为导航专业本科生和硕士研究生的课程教材,又可作为工-程技术人员在组合导航系统科研中的参考用书。
第1章信息融合与组合导航1.1信息融合的基本概念1.1.1信息融合的由来1.1.2信息融合的定义1.1.3信息融合技术的应用1.2信息融合系统的功能与结构模型1.2.1信息融合系统的功能级别1.2.2信息融合系统的功能模型1.2.3信息融合系统的结构模型1.2.4信息融合理论的研究动向1.3导航系统的基本概念1.3.1导航的基本概念1.3.2导航系统在现代战争中的地位1.3.3主要导航系统概述1.3.4环境信息获取系统1.3.5信息支持与决策控制系统1.4组合导航系统的基本概念1.4.1组合导航的历史与发展1.4.2组合导航的基本概念1.4.3常见的组合导航系统1.4.4海军舰艇组合导航系统1.5组合导航理论的发展1.5.1组合导航与信息融合之间的关系1.5.2线性组合导航系统状态估计理论1.5.3非线性组合导航系统状态估计理论本章小结参考文献第2章组合导航数学基础与研究方法2.1组合导航数学基础2.1.1概率论基础知识2.1.2随机过程基础知识2.2具有随机干扰的线性动力学系统2.2.1随机线性连续系统的数学模型2.2.2随机线性离散系统的数学模型2.2.3随机线性连续系统的离散化2.3导航系统数学模型2.3.1惯性导航系统数学误差模型2.3.2卫星导航系统误差数学模型2.4最优估计方法2.4.1最小二乘估计2.4.2最小方差估计与线性最小方差估计2.4.3极大验后估计与极大似然估计2.4.4贝叶斯估计2.4.5几种最优估计比较2.5组合导航系统的研究方法2.5.1组合导航系统研究的一般过程2.5.2组合导航系统的设计模式2.5.3组合导航数学仿真方法2.5.4组合导航系统的测试2.6组合导航系统数字开发平台2.6.1组合导航系统数字开发平台架构2.6.2数字开发平台系统数学模型研究2.6.3组合导航系统数字开发平台功能本章小结参考文献第3章离散线性系统最优估计方法及其应用3.1卡尔曼滤波的基本概念3.1.1卡尔曼滤波的基本原理3.1.2最优滤波、预测与平滑的概念3.2随机线性离散系统的卡尔曼滤波方程3.2.1随机线性离散系统的卡尔曼滤波方程的直观推导3.2.2随机线性连续系统的卡尔曼滤波基本方程3.3线性系统卡尔曼滤波的贝叶斯推导3.3.1递推贝叶斯估计3.3.2随机线性离散系统的卡尔曼滤波方程的贝叶斯推导3.4卡尔曼滤波的稳定性3.5随机线性离散系统的最优预测3.6随机线性离散系统的最优平滑3.6.1平滑估计方法3.6.2固定区间平滑递推公式推导3.7基于INS的组合导航通用卡尔曼滤波模型3.7.1GINS系统平台与姿态角误差变换矩阵3.7.2基于INS的组合导航通用卡尔曼滤波模型3.7.3不同外观测量下的组合子系统的可观测性分析3.7.4不同外观测量下的初始对准可观测度分析3.8卡尔曼滤波在组合导航中的应用算例3.8.1卡尔曼滤波器在INS/GPS组合导航中的应用3.8.2最优平滑滤波在INS/GPS组合导航中的算例本章小结参考文献第4章自适应卡尔曼滤波技术及其应用4.1卡尔曼滤波的发散问题4.1.1卡尔曼滤波发散的原因4.1.2卡尔曼滤波的发散现象举例4.2卡尔曼滤波的发散的抑制4.2.1衰减记忆滤波算法4.2.2限定记忆滤波算法4.2.3自适应滤波原理4.3卡尔曼滤波器新息序列4.3.1卡尔曼滤波器新息的概念4.3.2新息方式的卡尔曼滤波形式4.3.3滤波器理想稳态时新息序列4.3.4滤波器非理想状态时的新息序列4.4基于新息自适应估计(IAE)的卡尔曼滤波技术4.4.1新息调制方差匹配技术4.4.2新息自适应估计卡尔曼滤波算法4.4.3新息相关法自适应滤波4.5基于多模型自适应估计(MMAE)卡尔曼滤波技术4.6强跟踪自适应卡尔曼滤波器4.7GPS/INS组合导航系统自适应滤波4.7.1IAE自适应卡尔曼滤波数字验证4.7.2静态试验验证本章小结参考文献第5章非线性系统状态估计及其应用5.1非线性系统基本概念5.2扩展卡尔曼滤波5.2.1围绕标称状态线性化的卡尔曼滤波方程5.2.2围绕估计状态的线性化5.2.3实例分析5.3无迹卡尔曼滤波(UKF)5.3.1Unscented变换5.3.2Unscented卡尔曼滤波基本方程5.3.3实例分析5.4粒子滤波5.4.1粒子滤波的理论基础5.4.2重要性密度的选择5.4.3SIR滤波器5.4.4粒子滤波应用实例5.5非线性滤波技术在GPS/DR组合定位系统中的应用5.5.1DR系统定位原理5.5.2GPS/DR组合系统的状态方程5.5.3GPS/DR组合系统的量测方程5.5.4三种非线性滤波方法比较5.6基于UKWPF的水下导航组合滤波器设计5.6.1DR/INS滤波模型5.6.2UKF/PF混合滤波算法5.6.3基于UKF/PF的组合滤波器仿真试验本章小结参考文献第6章模糊自适应状态估计及其应用6.1模糊理论概述6.1.1模糊现象存在的普遍性6.1.2模糊理论的基本概念6.2模糊理论基础知识6.2.1模糊集合6.2.2隶属函数6.2.3模糊关系和模糊矩阵6.2.4模糊规则与模糊推理6.2.5Mamdani型推理与sugeno型推理6.3模糊控制器的设计方法6.3.1模糊逻辑控制过程6.3.2输入变量和输出变量的确定6.3.3论域的确定6.3.4模糊化方法6.3.5解模糊判决方法6.4组合导航系统模糊规则设计方法6.4.1模糊控制规则一般设计方法6.4.2基于系统工作状态的组合导航系统模糊规则设计方法6.4.3基于滤波器新息状态的组导系统模糊规则设计方法6.5模糊控制在车载GPS/DR组合导航系统中的应用6.5.1基于卡尔曼滤波器的车载DR系统6.5.2车载GPS/DR组合导航系统方案6.5.3基于模糊规则的GPS!DR融合算法本章小结参考文献第7章神经网络信息融合技术及其应用7.1神经网络基础知识7.1.1引言7.1.2神经网络的一般结构7.1.3神经网络的学习方法7.1.4神经网络工程应用的能力特点7.2典型神经网络及其学习算法7.2.1误差反向传播网络(BP网络)7.2.2径向基函数神经网络(RBF网络)7.3自适应神经网络模糊推理系统(ANFIS)7.3.1ANFIS的结构7.3.2ANFIS的学习算法7.3.3ANFIS的总体评价7.4基于神经网络技术的状态估计7.4.1神经网络状态估计的特点7.4.2神经网络状态估计的关键问题7.4.3神经网络状态估计的主要方法7.5神经网络在组合导航信息融合的应用7.5.1组合导航神经网络信息融合的主要方法7.5.2基于BP神经网络的GPS/INS组合导航信息融合方法7.5.3基于ANFIS神经网络的GPS/INS组合导航信息融合方法本章小结参考文献第8章联邦卡尔曼滤波技术及其应用8.1各子滤波器估计不相关条件下的联邦滤波算法8.2各子滤波器估计相关条件下的联邦滤波算法8.2.1信息分配原则与全局最优估计8.2.2联邦滤波算法的时间更新8.2.3联邦滤波算法的观测更新8.2.4联邦卡尔曼滤波器设计步骤8.3联邦滤波器控制结构与信息分配8.3.1联邦卡尔曼滤波器控制结构8.3.2公共参考信息的分配原则8.3.3联邦滤波器信息分配算法8.4联邦滤波器设计数据时空关联8.4.1信息的同步处理8.4.2非等间隔时间关联问题8.4.3算法最优性证明8.5联邦滤波器容错设计算法8.5.1联邦系统故障检测与隔离算法8.5.2联邦系统重构与信息补偿方法8.6联邦卡尔曼滤波算法在舰艇组合导航系统中的应用8.6.1组合导航系统联邦卡尔曼滤波器设计8.6.2组合导航系统容错设计8.6.3数学仿真与结果分析本章小结参考文献
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30