基于Kalman滤波—加权因子的多传感器数据融合方法研究

第一章 概述	第1-11页
·光电跟踪系统中的传感器数据的发展及应用	第9页
·研究的目的	第9-10页
·研究的内容	第10-11页
第二章 多传感器光电跟踪系统数据融合的方法确定	第11-22页
·数据融合的目的、定义	第11-12页
·多传感器数据融合的基本原理	第12-13页
·多传感器数据融合的结构模型	第13-16页
·多传感器数据融合的功能模型	第16-19页
·光电跟踪系统数据融合方法的确定	第19-22页
·光电跟踪系统数据融合的优点	第19-20页
·光电跟踪系统数据融合方法确定	第20-22页
第三章 空间目标的状态变化特点及其状态估计	第22-31页
·对空间目标的运动状态变化特点的分析	第22-24页
·目标状态估计方法-KALMAN滤波	第24-29页
·线性系统描述	第25-26页
·Kalman 滤波	第26-29页
·多传感器数据融合的基础	第29-31页
第四章 光电跟踪系统的多传感器数据融合方法	第31-50页
·光电跟踪系统多传感器数据融合的功能模型	第31-32页
·单传感器数据的预处理	第32-34页
·雷达数据的处理	第34-36页
·多传感器数据融合算法-加权平均	第36-47页
·加权平均的数学模型	第36-37页
·单传感器静态测量数据的加权因子确定	第37-39页
·静态测量下的多传感器加权因子的确定	第39页
·动态测量下的多传感器加权因子的确定	第39-41页
·算法的仿真和结果分析	第41-43页
·融合算法的性能评估	第43-47页
·数据融合的平台	第47-48页
·融合方法的实现	第48-49页
·Kalman 滤波的程序实现	第48-49页
·加权平均融合方法程序实现	第49页
·融合实现程序时效的评估	第49页
·小结	第49-50页
结束语	第50-52页
参考文献	第52-54页
致谢	第54-61页
个人简介	第61页
发表文章	第61页