多传感器最优估计理论及其应用

前言
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
2.3Kalman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
2.4Kalman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
2.5Kalman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
4.2.3Mallat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
13.4.1Kalman滤波算法得到局部估计值299
13.4.2RCC-CI、IT-FCI、DCI仿真分析300
13.4.3FGCC、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：SPSTF324
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