摘要 | 第4-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第15-28页 |
1.1 课题背景及研究的目的和意义 | 第15-16页 |
1.1.1 课题来源 | 第15页 |
1.1.2 课题研究的目的和意义 | 第15-16页 |
1.2 国内外研究现状 | 第16-26页 |
1.2.1 非线性滤波算法 | 第16-19页 |
1.2.2 状态时滞和模型参数未知情况下的状态估计算法 | 第19-21页 |
1.2.3 多传感器信息融合方法 | 第21-24页 |
1.2.4 非线性滤波算法在航天器姿态确定及相对导航中的应用 | 第24-26页 |
1.3 本文主要研究内容 | 第26-28页 |
第2章 非线性滤波算法及其精度分析 | 第28-55页 |
2.1 引言 | 第28页 |
2.2 贝叶斯最优估计 | 第28-40页 |
2.2.1 非线性高斯滤波算法 | 第29-39页 |
2.2.2 粒子滤波 | 第39-40页 |
2.3 非线性滤波算法性能对比分析 | 第40-47页 |
2.3.1 非线性逼近精度 | 第40-47页 |
2.3.2 数值稳定性 | 第47页 |
2.4 数值仿真 | 第47-54页 |
2.5 本章小结 | 第54-55页 |
第3章 具有状态时滞的非线性高斯滤波算法 | 第55-69页 |
3.1 引言 | 第55页 |
3.2 问题描述 | 第55-56页 |
3.3 具有状态时滞的改进高斯滤波器设计 | 第56-61页 |
3.3.1 时间预测 | 第57-60页 |
3.3.2 量测更新 | 第60-61页 |
3.4 具有状态时滞的高斯滤波算法近似实现 | 第61-64页 |
3.4.1 基于无迹变换的近似实现 | 第62-63页 |
3.4.2 基于容积变换的近似实现 | 第63-64页 |
3.5 数值仿真 | 第64-67页 |
3.6 本章小结 | 第67-69页 |
第4章 具有模型参数未知和非高斯噪声的期望最大化粒子滤波算法 | 第69-89页 |
4.1 引言 | 第69-70页 |
4.2 问题描述 | 第70-72页 |
4.3 容积正规化粒子滤波 | 第72-76页 |
4.3.1 正规化粒子滤波 | 第72-74页 |
4.3.2 容积正规化粒子滤波算法的实现 | 第74-76页 |
4.4 考虑模型参数未知的期望最大化粒子滤波算法 | 第76-82页 |
4.4.1 E-步:采用粒子滤波的状态估计 | 第76-79页 |
4.4.2 M-步:模型未知参数识别 | 第79-82页 |
4.5 数值仿真 | 第82-87页 |
4.6 本章小结 | 第87-89页 |
第5章 具有相关性未知的多传感器信息融合估计算法 | 第89-110页 |
5.1 引言 | 第89-90页 |
5.2 问题描述 | 第90页 |
5.3 基于误差四元数的容积卡尔曼滤波估计 | 第90-94页 |
5.3.1 姿态运动学模型和矢量观测模型 | 第91-92页 |
5.3.2 基于误差四元数的容积卡尔曼滤波姿态估计算法 | 第92-94页 |
5.4 基于误差四元数容积卡尔曼滤波的协方差交叉融合姿态估计算法 | 第94-98页 |
5.4.1 鲁棒协方差交叉融合算法 | 第95页 |
5.4.2 考虑噪声不确定的协方差交叉融合 | 第95-98页 |
5.5 连续协方差交叉融合估计器 | 第98-102页 |
5.5.1 连续协方差交叉融合算法 | 第98-99页 |
5.5.2 连续协方差交叉融合的精度分析 | 第99-102页 |
5.6 数值仿真 | 第102-109页 |
5.7 本章小结 | 第109-110页 |
第6章 非合作航天器相对导航及分布式异步多传感器信息融合算法 | 第110-129页 |
6.1 引言 | 第110-111页 |
6.2 数学模型 | 第111-116页 |
6.2.1 坐标系定义 | 第111-112页 |
6.2.2 姿态和轨道运动学模型 | 第112-113页 |
6.2.3 目标航天器的角速度模型 | 第113-115页 |
6.2.4 传感器测量模型 | 第115-116页 |
6.3 融合问题描述 | 第116-117页 |
6.4 融合算法 | 第117-122页 |
6.4.1 线性模型分布式融合 | 第117-119页 |
6.4.2 非线性模型分布式融合 | 第119-122页 |
6.5 数值仿真 | 第122-126页 |
6.6 本章小结 | 第126-129页 |
结论 | 第129-131页 |
参考文献 | 第131-143页 |
攻读博士学位期间发表的论文及其它成果 | 第143-146页 |
致谢 | 第146-147页 |
个人简历 | 第147页 |