当前位置 : 首页  图书 正文

现代信息融合技术在组合导航中的应用简介,目录书摘

2019-10-25 14:11 来源:京东 作者:京东
现代导航
现代信息融合技术在组合导航中的应用
暂无报价
60+评论 96%好评
编辑推荐:    《现代信息融合技术在组合导航中的应用》是关于介绍“现代信息融合技术在组合导航中的应用”的教学用书,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等。 <br>    《现代信息融合技术在组合导航中的应用》可作为导航专业本科生和硕士研究生的课程教材。
内容简介:    《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。
目录:第1章  信息融合与组合导航<br>1.1 信息融合的基本概念<br>1.1.1  信息融合的由来<br>1.1.2  信息融合的定义<br>1.1.3  信息融合技术的应用<br>1.2  信息融合系统的功能与结构模型<br>1.2.1  信息融合系统的功能级别<br>1.2.2  信息融合系统的功能模型<br>1.2.3  信息融合系统的结构模型<br>1.2.4  信息融合理论的研究动向<br>1.3 导航系统的基本概念<br>1.3.1  导航的基本概念<br>1.3.2  导航系统在现代战争中的地位<br>1.3.3  主要导航系统概述<br>1.3.4  环境信息获取系统<br>1.3.5  信息支持与决策控制系统<br>1.4  组合导航系统的基本概念<br>1.4.1  组合导航的历史与发展<br>1.4.2  组合导航的基本概念<br>1.4.3  常见的组合导航系统<br>1.4.4  海军舰艇组合导航系统<br>1.5  组合导航理论的发展<br>1.5.1  组合导航与信息融合之间的关系<br>1.5.2  线性组合导航系统状态估计理论<br>1.5.3  非线性组合导航系统状态估计理论<br>本章小结<br>参考文献<br>第2章  组合导航数学基础与研究方法<br>2.1 组合导航数学基础<br>2.1.1  概率论基础知识<br>2.1.2  随机过程基础知识<br>2.2  具有随机干扰的线性动力学系统<br>2.2.1  随机线性连续系统的数学模型<br>2.2.2  随机线性离散系统的数学模型<br>2.2.3  随机线性连续系统的离散化<br>2.3  导航系统数学模型<br>2.3.1  惯性导航系统数学误差模型<br>2.3.2  卫星导航系统误差数学模型<br>2.4  最优估计方法<br>2.4.1  最小二乘估计<br>2.4.2  最小方差估计与线性最小方差估计<br>2.4.3  极大验后估计与极大似然估计<br>2.4.4  贝叶斯估计<br>2.4.5  几种最优估计比较<br>2.5  组合导航系统的研究方法<br>2.5.1  组合导航系统研究的一般过程<br>2.5.2  组合导航系统的设计模式<br>2.5.3  组合导航数学仿真方法<br>2.5.4  组合导航系统的测试<br>2.6  组合导航系统数字开发平台<br>2.6.1  组合导航系统数字开发平台架构<br>2.6.2  数字开发平台系统数学模型研究<br>2.6.3  组合导航系统数字开发平台功能<br>本章小结<br>参考文献<br>第3章  离散线性系统最优估计方法及其应用<br>3.1  卡尔曼滤波的基本概念<br>3.1.1  卡尔曼滤波的基本原理<br>3.1.2  最优滤波、预测与平滑的概念<br>3.2  随机线性离散系统的卡尔曼滤波方程<br>3.2.1  随机线性离散系统的卡尔曼滤波方程的直观推导<br>3.2.2  随机线性连续系统的卡尔曼滤波基本方程<br>3.3  线性系统卡尔曼滤波的贝叶斯推导<br>3.3.1  递推贝叶斯估计<br>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<br>3.4  卡尔曼滤波的稳定性<br>3.5  随机线性离散系统的最优预测<br>3.6  随机线性离散系统的最优平滑<br>3.6.  1平滑估计方法<br>3.6.2  固定区间平滑递推公式推导<br>3.7  基于INS的组合导航通用卡尔曼滤波模型<br>3.7.1  GINS系统平台与姿态角误差变换矩阵<br>3.7.2  基于INS的组合导航通用卡尔曼滤波模型<br>3.7.3  不同外观测量下的组合子系统的可观测性分析<br>3.7.4  不同外观测量下的初始对准可观测度分析<br>3.8  卡尔曼滤波在组合导航中的应用算例<br>3.8.1  卡尔曼滤波器在INS/GPS组合导航中的应用<br>3.8.2  最优平滑滤波在INS/GPS组合导航中的算例<br>本章小结<br>参考文献<br>第4章  自适应卡尔曼滤波技术及其应用<br>4.1  卡尔曼滤波的发散问题<br>4.1.1  卡尔曼滤波发散的原因<br>4.1.2  卡尔曼滤波的发散现象举例<br>4.2  卡尔曼滤波的发散的抑制<br>4.2.1  衰减记忆滤波算法<br>4.2.2  限定记忆滤波算法<br>4.2.3  自适应滤波原理<br>4.3  卡尔曼滤波器新息序列<br>4.3.1  卡尔曼滤波器新息的概念<br>4.3.2  新息方式的卡尔曼滤波形式<br>4.3.3  滤波器理想稳态时新息序列<br>4.3.4  滤波器非理想状态时的新息序列<br>4.4  基于新息自适应估计(IAE)的卡尔曼滤波技术<br>4.4.1  新息调制方差匹配技术<br>4.4.2  新息自适应估计卡尔曼滤波算法<br>4.4.3  新息相关法自适应滤波<br>4.5  基于多模型自适应估计(MMAE)卡尔曼滤波技术<br>4.6  强跟踪自适应卡尔曼滤波器<br>4.7  GPS/INS组合导航系统自适应滤波<br>4.7.1  IAE自适应卡尔曼滤波数字验证<br>4.7.2  静态试验验证<br>本章小结<br>参考文献<br>第5章  非线性系统状态估计及其应用<br>5.1  非线性系统基本概念<br>5.2  扩展卡尔曼滤波<br>5.2.1  围绕标称状态线性化的卡尔曼滤波方程<br>5.2.2  围绕估计状态的线性化<br>5.2.3  实例分析<br>5.3  无迹卡尔曼滤波(UKF)<br>5.3.1  Unscented变换<br>5.3.2  Unscented卡尔曼滤波基本方程<br>5.3.3  实例分析<br>5.4  粒子滤波<br>5.4.1  粒子滤波的理论基础<br>5.4.2  重要性密度的选择<br>5.4.3  SIR滤波器<br>5.4.4  粒子滤波应用实例<br>5.5  非线性滤波技术在GPS/DR组合定位系统中的应用<br>5.5.1  DR系统定位原理<br>5.5.2  GPS/DR组合系统的状态方程<br>5.5.3  GPS/DR组合系统的量测方程<br>5.5.4  三种非线性滤波方法比较<br>5.6  基于UKWPF的水下导航组合滤波器设计<br>5.6.1  DR/INS滤波模型<br>5.6.2  UKF/PF混合滤波算法<br>5.6.3  基于UKF/PF的组合滤波器仿真试验<br>本章小结<br>参考文献<br>第6章  模糊自适应状态估计及其应用<br>6.1  模糊理论概述<br>6.1.1  模糊现象存在的普遍性<br>6.1.2  模糊理论的基本概念<br>6.2  模糊理论基础知识<br>6.2.1  模糊集合<br>6.2.2  隶属函数<br>6.2.3  模糊关系和模糊矩阵<br>6.2.4  模糊规则与模糊推理<br>6.2.5  Mamdani型推理与sugeno型推理<br>6.3  模糊控制器的设计方法<br>6.3.1  模糊逻辑控制过程<br>6.3.2  输入变量和输出变量的确定<br>6.3.3  论域的确定<br>6.3.4  模糊化方法<br>6.3.5  解模糊判决方法<br>6.4  组合导航系统模糊规则设计方法<br>6.4.1  模糊控制规则一般设计方法<br>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<br>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<br>6.5  模糊控制在车载GPS/DR组合导航系统中的应用<br>6.5.1  基于卡尔曼滤波器的车载DR系统<br>6.5.2  车载GPS/DR组合导航系统方案<br>6.5.3  基于模糊规则的GPS!DR融合算法<br>本章小结<br>参考文献<br>第7章  神经网络信息融合技术及其应用<br>7.1  神经网络基础知识<br>7.1.1  引言<br>7.1.2  神经网络的一般结构<br>7.1.3  神经网络的学习方法<br>7.1.4  神经网络工程应用的能力特点<br>7.2  典型神经网络及其学习算法<br>7.2.1  误差反向传播网络(BP网络)<br>7.2.2  径向基函数神经网络(RBF网络)<br>7.3  自适应神经网络模糊推理系统(ANFIS)<br>7.3.1  ANFIS的结构<br>7.3.2  ANFIS的学习算法<br>7.3.3  ANFIS的总体评价<br>7.4  基于神经网络技术的状态估计<br>7.4.1  神经网络状态估计的特点<br>7.4.2  神经网络状态估计的关键问题<br>7.4.3  神经网络状态估计的主要方法<br>7.5  神经网络在组合导航信息融合的应用<br>7.5.1  组合导航神经网络信息融合的主要方法<br>7.5.2  基于BP神经网络的GPS/INS组合导航信息融合方法<br>7.5.3  基于ANFIS神经网络的GPS/INS组合导航信息融合方法<br>本章小结<br>参考文献<br>第8章  联邦卡尔曼滤波技术及其应用<br>8.1  各子滤波器估计不相关条件下的联邦滤波算法<br>8.2  各子滤波器估计相关条件下的联邦滤波算法<br>8.2.1  信息分配原则与全局最优估计<br>8.2.2  联邦滤波算法的时间更新<br>8.2.3  联邦滤波算法的观测更新<br>8.2.4  联邦卡尔曼滤波器设计步骤<br>8.3  联邦滤波器控制结构与信息分配<br>8.3.1  联邦卡尔曼滤波器控制结构<br>8.3.2  公共参考信息的分配原则<br>8.3.3  联邦滤波器信息分配算法<br>8.4  联邦滤波器设计数据时空关联<br>8.4.1  信息的同步处理<br>8.4.2  非等间隔时间关联问题<br>8.4.3  算法最优性证明<br>8.5  联邦滤波器容错设计算法<br>8.5.1  联邦系统故障检测与隔离算法<br>8.5.2  联邦系统重构与信息补偿方法<br>8.6  联邦卡尔曼滤波算法在舰艇组合导航系统中的应用<br>8.6.1  组合导航系统联邦卡尔曼滤波器设计<br>8.6.2  组合导航系统容错设计<br>8.6.3  数学仿真与结果分析<br>本章小结<br>参考文献
热门推荐文章
品类齐全,轻松购物 多仓直发,极速配送 正品行货,精致服务 天天低价,畅选无忧
购物指南
购物流程
会员介绍
生活旅行/团购
常见问题
大家电
联系客服
配送方式
上门自提
211限时达
配送服务查询
配送费收取标准
海外配送
支付方式
货到付款
在线支付
分期付款
邮局汇款
公司转账
售后服务
售后政策
价格保护
退款说明
返修/退换货
取消订单
特色服务
夺宝岛
DIY装机
延保服务
京东E卡
京东通信
京东JD+