| 目录 | 第1-4页 |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第6-12页 |
| ·信息融合概述 | 第6-9页 |
| ·信息融合的发展历史 | 第6页 |
| ·信息融合的概念描述 | 第6-7页 |
| ·信息融合的模型 | 第7页 |
| ·信息融合算法 | 第7-9页 |
| ·研究组合导航多传感器信息融合的目的和意义 | 第9-10页 |
| ·多传感器信息融合算法研究的发展方向 | 第10页 |
| ·本文所做的工作 | 第10-12页 |
| 第二章 导航传感器及其仿真 | 第12-20页 |
| ·GPS导航系统 | 第12-13页 |
| ·简介 | 第12页 |
| ·导航定位原理 | 第12页 |
| ·系统仿真 | 第12-13页 |
| ·INS导航系统 | 第13-15页 |
| ·系统简介 | 第13-14页 |
| ·捷联惯导系统原理 | 第14页 |
| ·捷联惯导系统仿真 | 第14-15页 |
| ·GLONASS导航系统 | 第15-16页 |
| ·双星导航系统 | 第16页 |
| ·组合导航信息综合系统 | 第16-17页 |
| ·组合导航系统仿真平台的建立 | 第17-20页 |
| ·仿真软件平台的选择： | 第17页 |
| ·仿真软件的总体设计： | 第17-18页 |
| ·该仿真系统的设计特点 | 第18-20页 |
| 第三章卡尔曼滤波算法及其在组合导航中的应用 | 第20-43页 |
| ·常规卡尔曼滤波算法 | 第20-23页 |
| ·离散系统的卡尔曼滤波方程 | 第20-22页 |
| ·连续系统的卡尔曼滤波方程 | 第22-23页 |
| ·自适应卡尔曼滤波 | 第23-28页 |
| ·滤波发散原因及其解决方法 | 第23-24页 |
| ·Sage-Husa自适应滤波 | 第24-26页 |
| ·强跟踪Kalman滤波算法 | 第26-27页 |
| ·几种改进的自适应滤波算法 | 第27-28页 |
| ·卡尔曼滤波用于多传感器组合导航的结构形式 | 第28-32页 |
| ·集中滤波： | 第28-29页 |
| ·分散滤波： | 第29-31页 |
| ·联合滤波： | 第31-32页 |
| ·组合导航卡尔曼滤波模型的建立 | 第32-34页 |
| ·惯性导航系统的误差模型 | 第32-33页 |
| ·以惯导系统为基础的组合导航系统状态方程 | 第33-34页 |
| ·卡尔曼滤波模型应用于组合导航 | 第34-43页 |
| ·连续系统的离散化 | 第34-35页 |
| ·卡尔曼滤波在多传感器组合导航的应用 | 第35-43页 |
| 第四章 H∞滤波及其在组合导航中的应用 | 第43-49页 |
| ·H∞滤波问题的提出 | 第43页 |
| ·滤波问题的模型描述 | 第43-45页 |
| ·H∞最优滤波： | 第44页 |
| ·H∞次优滤波： | 第44-45页 |
| ·H∞次优滤波问题的求解 | 第45-46页 |
| ·H∞次优滤波有解的充要条件 | 第45页 |
| ·H∞滤波与卡尔曼滤波的关系 | 第45-46页 |
| ·H∞滤波用于GPS／INS组合导航系统 | 第46-49页 |
| 第五章 信息融合人工智能算法及其在组合导航中的应用 | 第49-64页 |
| ·神经网络理论及其应用 | 第49-59页 |
| ·几种神经网络模型 | 第50-54页 |
| ·神经网络状态估计算法 | 第54-56页 |
| ·神经网络用于多传感器组合导航信息融合 | 第56-59页 |
| ·模糊理论及其应用 | 第59-62页 |
| ·知识的模糊性 | 第59页 |
| ·知识的模糊表示 | 第59页 |
| ·模糊推理过程 | 第59-60页 |
| ·将模糊技术应用于组合导航自适应滤波 | 第60-62页 |
| ·模糊理论与神经网络的结合 | 第62-64页 |
| 第六章 总结与展望 | 第64-65页 |
| 参考文献： | 第65-68页 |
| 致谢 | 第68-69页 |
| 附录：攻读硕士期间的研究工作 | 第69页 |