| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-25页 |
| ·研究的背景及意义 | 第11页 |
| ·估计问题研究的国内外进程与现状 | 第11-13页 |
| ·多传感器信息融合的意义、国内外进程和融合结构 | 第13-22页 |
| ·多传感器信息融合的意义 | 第13-16页 |
| ·国外关于信息融合技术研究的进程与现状 | 第16页 |
| ·国内关于信息融合技术研究的进程与现状 | 第16-18页 |
| ·多传感器信息融合估计技术的融合结构 | 第18-22页 |
| ·多传感器广义系统信息融合估计的研究现状 | 第22-23页 |
| ·论文的主要内容和安排 | 第23-25页 |
| 第2章 多传感器广义线性系统的降阶 | 第25-35页 |
| ·引言 | 第25页 |
| ·系统描述 | 第25-27页 |
| ·多传感器广义线性系统的降阶分解 | 第27-33页 |
| ·基于奇异值分解方法 | 第27-30页 |
| ·基于前后子系统分解方法 | 第30-33页 |
| ·多传感器广义系统最优和自校正加权观测融合估计需解决的问题 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 带不同观测阵和相关噪声的加权观测融合Kalman估值算法 | 第35-62页 |
| ·引言 | 第35-37页 |
| ·带不同观测阵和相关观测噪声的全局最优加权观测融合Kalman估值器 | 第37-47页 |
| ·集中式融合Kalman滤波算法 | 第37页 |
| ·加权观测融合算法 | 第37-38页 |
| ·两种融合方法的功能等价性 | 第38-40页 |
| ·矩阵满秩分解的选择 | 第40-42页 |
| ·仿真例子 | 第42-47页 |
| ·带不同观测阵和相关噪声的全局最优加权观测融合Kalman估值器 | 第47-61页 |
| ·输入噪声与观测噪声去相关 | 第47-48页 |
| ·基于LUMV准则的加权观测融合算法 | 第48-50页 |
| ·加权观测融合Kalman估值算法的全局最优性 | 第50-53页 |
| ·基于稳态Kalman滤波的观测融合算法 | 第53-55页 |
| ·仿真实例 | 第55-61页 |
| ·本章小结 | 第61-62页 |
| 第4章 带不同观测阵和相关噪声的加权观测融合输入白噪声反卷积估值器 | 第62-82页 |
| ·白噪声估值器的应用背景 | 第62-64页 |
| ·问题阐述 | 第64-65页 |
| ·两种集中式融合白噪声反卷积估值器 | 第65-72页 |
| ·基于射影理论的集中式融合白噪声反卷积估值器 | 第65-67页 |
| ·Γ为列满秩矩阵情形下的集中式融合Mendel白噪声反卷积估值器 | 第67-72页 |
| ·多传感器加权观测融合白噪声反卷积估值器 | 第72-73页 |
| ·集中式融合与加权观测融合计算量的比较 | 第73-75页 |
| ·仿真实例 | 第75-81页 |
| ·本章小结 | 第81-82页 |
| 第5章 自校正加权观测融合Kalman估值器 | 第82-104页 |
| ·引言 | 第82-83页 |
| ·问题阐述 | 第83-84页 |
| ·系统描述 | 第83页 |
| ·加权观测融合稳态最优Kalman估值器 | 第83-84页 |
| ·噪声方差和互协方差的在线估值器 | 第84-87页 |
| ·基于采样相关函数方法辨识 | 第85-86页 |
| ·基于最小二乘方法辨识 | 第86-87页 |
| ·自校正加权观测融合Kalman估值器 | 第87-89页 |
| ·仿真例子 | 第89-103页 |
| ·本章小结 | 第103-104页 |
| 结论 | 第104-106页 |
| 参考文献 | 第106-119页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第119-121页 |
| 致谢 | 第121-122页 |
| 个人简历 | 第122页 |
