| 第一章 绪论 | 第1-25页 |
| ·智能交通与车载导航系统 | 第10-11页 |
| ·智能交通系统 | 第10-11页 |
| ·车载导航系统 | 第11页 |
| ·国内外车载导航系统的发展现状 | 第11-14页 |
| ·车辆导航中的定位技术 | 第14-16页 |
| ·多传感数据融合 | 第16-18页 |
| ·多传感器数据融合 | 第16页 |
| ·多传感器数据融合层次和算法 | 第16-18页 |
| ·GPS/DR 多传感器数据融合算法的现状及问题 | 第18-21页 |
| ·本文研究内容 | 第21-25页 |
| ·本文研究内容 | 第22-24页 |
| ·本文主要创新点 | 第24-25页 |
| 第二章 卡尔曼滤波技术 | 第25-42页 |
| ·GPS/DR 车载定位系统中卡尔曼滤波算法的数据处理技术 | 第25-32页 |
| ·直接法与间接法卡尔曼滤波 | 第25-26页 |
| ·直接法滤波方程中加速度作为观测问题 | 第26页 |
| ·系统校正方法 | 第26-27页 |
| ·计算周期和滤波周期 | 第27-28页 |
| ·卡尔曼滤波的数据压缩技术 | 第28-31页 |
| ·卡尔曼滤波的野值剔除技术 | 第31-32页 |
| ·分散卡尔曼滤波技术及其最优融合算法 | 第32-42页 |
| ·分散融合估计算法 | 第33-34页 |
| ·全局最优融合估计算法 | 第34-36页 |
| ·联合卡尔曼滤波器与信息分配原理 | 第36-42页 |
| 第三章 机动目标运动模型 | 第42-51页 |
| ·CV 和 CA 模型 | 第42-43页 |
| ·一阶时间相关模型 | 第43-44页 |
| ·机动目标“当前统计”模型 | 第44-47页 |
| ·机动目标“当前统计”模型 | 第44-45页 |
| ·机动载体加速度的“当前”概率密度模型 | 第45-47页 |
| ·“当前统计”模型的加速度方差自适应滤波算法 | 第47-51页 |
| ·离散状态方程 | 第47-48页 |
| ·加速度方差自适应Kalman 滤波算法 | 第48-49页 |
| ·加速度方差自适应算法的物理意义 | 第49-51页 |
| 第四章 车载航位推算系统的多传感器信息融 | 第51-82页 |
| ·导航常用坐标系 | 第51-53页 |
| ·航位推算定位的原理 | 第53-55页 |
| ·航位推算定位的多传感器 | 第55-67页 |
| ·加速度计 | 第55-61页 |
| ·车辆里程计误差模型 | 第61-62页 |
| ·电子指南针 | 第62-66页 |
| ·ADXR5300 速率陀螺 | 第66-67页 |
| ·多传感器 DR 系统当地水平坐标系力学编排 | 第67-71页 |
| ·DR 多传感器分散卡尔曼滤波融合算法 | 第71-81页 |
| ·角运动传感器数据融合 | 第71-72页 |
| ·载体坐标系下的载体纵轴线运动传感器数据融合 | 第72-73页 |
| ·仿真实验研究 | 第73-81页 |
| ·小结 | 第81-82页 |
| 第五章 “当前统计”模型加速度区间的模糊逻辑确定 | 第82-94页 |
| ·车辆动力学模型 | 第82-83页 |
| ·模糊逻辑控制 | 第83-85页 |
| ·模糊集与隶属函数 | 第84页 |
| ·模糊逻辑控制 | 第84-85页 |
| ·“当前统计”模型中加速度区间的模糊逻辑方法确定 | 第85-87页 |
| ·加速度区间模糊逻辑确定在 GPS 动态定位滤波中的应用 | 第87-91页 |
| ·GPS 动态定位的分散 Kalman 滤波方程 | 第87-89页 |
| ·加速度方差的自适应算法 | 第89-90页 |
| ·加速度噪声方差对卡尔曼滤波精度影响分析 | 第90-91页 |
| ·实验研究 | 第91-93页 |
| ·仿真试验 | 第91-92页 |
| ·实际跑车数据验证 | 第92-93页 |
| ·小结 | 第93-94页 |
| 第六章 基于模糊逻辑的卡尔曼滤波自适应发散抑制 | 第94-104页 |
| ·卡尔曼滤波的稳定性 | 第95-97页 |
| ·卡尔曼滤波的稳定性 | 第95页 |
| ·卡尔曼滤波噪声协方差阵Q和 R 的选择 | 第95-96页 |
| ·滤波器收敛性判据 | 第96-97页 |
| ·GPS 动态定位滤波的模糊逻辑发散抑制算法 | 第97-101页 |
| ·卡尔曼滤波自适应发散抑制模型的建立 | 第97-98页 |
| ·模糊变量的选择 | 第98-99页 |
| ·模糊模型的建立 | 第99-101页 |
| ·算法仿真 | 第101-103页 |
| ·小结 | 第103-104页 |
| 第七章 基于 ANFIS 加速度估计的自适应卡尔曼滤波 | 第104-125页 |
| ·序言 | 第104-105页 |
| ·基于加速度估计的载体自适应卡尔曼滤波模型 | 第105-107页 |
| ·加速度的ANFIS 估计算法 | 第107-116页 |
| ·加速度的ANFIS 估计算法 | 第107-108页 |
| ·ANFIS 输入特征数据提取 | 第108-109页 |
| ·ANFIS 的结构 | 第109-112页 |
| ·ANFIS 的学习算法 | 第112-116页 |
| ·ANFIS 加速度估计自适应滤波器系统协方差的适应 | 第116-118页 |
| ·仿真研究 | 第118-124页 |
| ·ANFIS 的训练 | 第118-122页 |
| ·ANFIS 的应用和验证 | 第122-124页 |
| ·小结 | 第124-125页 |
| 第八章 基于神经元网络的 GPS | 第125-142页 |
| ·带有速度观测的 GPS/DR 数据融合的动态滤波算法 | 第125-129页 |
| ·带有速度观测的载体卡尔曼滤波模型 | 第125-127页 |
| ·通过增加观测矩阵的秩提高跟踪精度的理论分析 | 第127-129页 |
| ·GPS/DR 组合定位数据联合卡尔曼滤波 | 第129-133页 |
| ·GPS/DR 组合定位系统的联合卡尔曼滤波器设计 | 第130-132页 |
| ·GPS/DR 联合滤波的信息权值自适应确定 | 第132-133页 |
| ·GPS/DR 联合滤波的数据同步 | 第133页 |
| ·基于 ANN 的 GPS/DR 组合定位数据融合算法 | 第133-138页 |
| ·基于 ANN 的 GPS/DR 组合定位数据融合算法 | 第134-135页 |
| ·GPS/DR 数据融合的神经元网络模型 | 第135-138页 |
| ·基于 ANN 的 GPS/DR 的数据融合算法的仿真 | 第138-141页 |
| ·小结 | 第141-142页 |
| 第九章 总结与展望 | 第142-146页 |
| 参考文献 | 第146-153页 |
| 博士期间发表的论文和参加的科研项目 | 第153-154页 |
| 致谢 | 第154页 |
