組合導(dǎo)航濾波算法

目 錄
第1章 緒論
1．1 組合導(dǎo)航概述
1．1．1 組合導(dǎo)航基本概念
1．1．2 組合導(dǎo)航系統(tǒng)發(fā)展概況
1．2 濾波理論的研究概況
1．2．1 濾波算法的基本知識(shí)
1．2．2 線性濾波算法
1．2．3 非線性濾波算法
1．3 組合導(dǎo)航非線性濾波算法的應(yīng)用現(xiàn)狀
第2章 卡爾曼濾波及擴(kuò)展卡爾曼濾波
2．1 卡爾曼濾波的性質(zhì)
2．2 離散卡爾曼濾波算法
2．3 連續(xù)卡爾曼濾波算法
2．3．1 過(guò)程噪聲
2．3．2 量測(cè)噪聲
2．3．3 連續(xù)卡爾曼濾波推導(dǎo)
2．4 改進(jìn)的卡爾曼濾波算法
2．4．1 魯棒卡爾曼濾波
2．4．2 交互式多模型卡爾曼濾波
2．4．3 Sage-Husa卡爾曼濾波
2．5 擴(kuò)展卡爾曼濾波
2．5．1 線性化方法
2．5．2 離散擴(kuò)展卡爾曼濾波
2．5．3 連續(xù)擴(kuò)展卡爾曼濾波
第3章 無(wú)跡卡爾曼濾波
3．1 無(wú)跡變換與采樣策略
3．1．1 無(wú)跡變換原理
3．1．2 無(wú)跡變換的精度分析
3．1．3 無(wú)跡變換的采樣策略
3．2 無(wú)跡卡爾曼濾波算法
第4章 優(yōu)化的無(wú)跡卡爾曼濾波及其應(yīng)用
4．1 改進(jìn)的強(qiáng)跟蹤無(wú)跡卡爾曼濾波及其應(yīng)用
4．1．1 改進(jìn)的強(qiáng)跟蹤無(wú)跡卡爾曼濾波算法
4．1．2 改進(jìn)的強(qiáng)跟蹤無(wú)跡卡爾曼濾波算法在INS/GNSS組合導(dǎo)航系統(tǒng)中的應(yīng)用
4．2 約束無(wú)跡卡爾曼濾波及其在車(chē)輛組合導(dǎo)航中的應(yīng)用
4．2．1 約束方程
4．2．2 約束無(wú)跡卡爾曼濾波算法
4．2．3 約束無(wú)跡卡爾曼濾波統(tǒng)計(jì)特性
4．2．4 約束無(wú)跡卡爾曼濾波算法在GPS/DR組合導(dǎo)航中的應(yīng)用
4．3 抗差模型預(yù)測(cè)無(wú)跡卡爾曼濾波
4．3．1 抗差模型預(yù)測(cè)無(wú)跡卡爾曼濾波算法
4．3．2 抗差模型預(yù)測(cè)無(wú)跡卡爾曼濾波在SINS/BDS/CNS組合導(dǎo)航中的應(yīng)用
第5章 粒子濾波概述
5．1 粒子濾波算法
5．1．1 貝葉斯濾波
5．1．2 蒙特卡羅采樣
5．1．3 序貫重要性采樣
5．1．4 重采樣
5．1．5 標(biāo)準(zhǔn)粒子濾波算法
5．1．6 粒子濾波存在的問(wèn)題
5．2 粒子濾波優(yōu)化算法
5．2．1 避免粒子貧化
5．2．2 降低計(jì)算復(fù)雜度
5．2．3 優(yōu)選重要性密度函數(shù)
第6章 優(yōu)化的粒子濾波
6．1 抗差自適應(yīng)中心差分粒子濾波
6．1．1 中心差分算法
6．1．2 抗差自適應(yīng)濾波
6．1．3 抗差自適應(yīng)中心差分粒子濾波算法
6．1．4 SINS/CNS組合導(dǎo)航系統(tǒng)仿真計(jì)算與分析
6．2 抗差自適應(yīng)高斯混合Sigma點(diǎn)粒子濾波
6．2．1 高斯粒子濾波
6．2．2 抗差自適應(yīng)高斯混合Sigma點(diǎn)粒子濾波算法
6．2．3 SINS/SAR/CNS組合導(dǎo)航系統(tǒng)直接法濾波中的應(yīng)用
第7章 改進(jìn)的無(wú)跡粒子濾波算法及其應(yīng)用
7．1 抗差自適應(yīng)無(wú)跡粒子濾波
7．1．1 抗差自適應(yīng)無(wú)跡粒子濾波算法
7．1．2 仿真計(jì)算與分析
7．1．3 抗差自適應(yīng)無(wú)跡粒子濾波在SINS/SAR組合導(dǎo)航系統(tǒng)中的應(yīng)用
7．2 非線性模型預(yù)測(cè)無(wú)跡粒子濾波
7．2．1 模型預(yù)測(cè)濾波
7．2．2 非線性模型預(yù)測(cè)無(wú)跡粒子濾波算法
7．2．3 非線性模型無(wú)跡粒子濾波算法在SINS/SAR組合導(dǎo)航系統(tǒng)中的應(yīng)用
7．3 衰減記憶平方根無(wú)跡粒子濾波
7．3．1 衰減記憶濾波
7．3．2 平方根濾波
7．3．3 衰減記憶平方根無(wú)跡粒子濾波算法
7．3．4 SINS/SAR組合導(dǎo)航系統(tǒng)直接法濾波中的應(yīng)用
7．4 基于似然分布的樣本數(shù)自適應(yīng)無(wú)跡粒子濾波
7．4．1 樣本數(shù)可自適應(yīng)調(diào)整的粒子濾波
7．4．2 基于似然分布的樣本數(shù)自適應(yīng)無(wú)跡粒子濾波算法
7．4．2 SINS/SAR組合導(dǎo)航系統(tǒng)直接法濾波中的應(yīng)用
第8章 基于隨機(jī)加權(quán)的濾波算法及其應(yīng)用
8．1 隨機(jī)加權(quán)估計(jì)的基本思想
8．2 動(dòng)態(tài)導(dǎo)航定位中的隨機(jī)加權(quán)估計(jì)
8．2．1 觀測(cè)殘差向量與新息向量的協(xié)方差陣
8．2．2 觀測(cè)噪聲協(xié)方差矩陣的隨機(jī)加權(quán)開(kāi)窗估計(jì)
8．2．3 仿真實(shí)驗(yàn)與分析
8．3 動(dòng)力學(xué)模型誤差的Sage隨機(jī)加權(quán)自適應(yīng)濾波
8．3．1 動(dòng)力學(xué)模型系統(tǒng)誤差
8．3．2 動(dòng)力學(xué)模型誤差的Sage隨機(jī)加權(quán)自適應(yīng)濾波算法
8．3．3 仿真計(jì)算與分析
8．4 基于移動(dòng)開(kāi)窗與隨機(jī)加權(quán)估計(jì)的自適應(yīng)無(wú)跡卡爾曼濾波及其應(yīng)用
8．4．1 無(wú)跡卡爾曼濾波的非重采樣形式
8．4．2 隨機(jī)加權(quán)因子的確定
8．4．3 基于移動(dòng)開(kāi)窗與隨機(jī)加權(quán)估計(jì)的自適應(yīng)無(wú)跡卡爾曼濾波算法
8．4．3 INS/GNSS組合導(dǎo)航系統(tǒng)直接法濾波中的應(yīng)用
參考文獻(xiàn)