| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 AGV研究的背景及意义 | 第9-10页 |
| 1.2 AGV的发展现状 | 第10-11页 |
| 1.3 AGV定位技术存在的问题 | 第11-12页 |
| 1.4 深度学习的发展历程 | 第12-15页 |
| 1.5 本文主要内容及结构安排 | 第15-17页 |
| 第2章 卡尔曼滤波算法与多传感器融合定位 | 第17-27页 |
| 2.1 随机线性离散卡尔曼滤波算法 | 第17-20页 |
| 2.2 拓展卡尔曼滤波算法 | 第20-21页 |
| 2.3 无迹卡尔曼滤波算法 | 第21-24页 |
| 2.4 基于卡尔曼滤波算法的多传感器融合定位 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 深度学习与深度信念网络 | 第27-41页 |
| 3.1 深度学习的基本思想 | 第27-29页 |
| 3.2 深度信念网络 | 第29-40页 |
| 3.2.1 受限玻尔兹曼机 | 第29-32页 |
| 3.2.2 BP神经网络 | 第32-37页 |
| 3.2.3 深度信念网络的结构和训练方式 | 第37-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 基于DBN的卡尔曼滤波算法及在AGV中的应用 | 第41-57页 |
| 4.1 卡尔曼滤波算法的优化方法 | 第41-42页 |
| 4.2 基于深度信念网络的自适应卡尔曼滤波算法 | 第42-44页 |
| 4.3 DBNKF在AGV的应用及仿真分析 | 第44-56页 |
| 4.3.1 AGV的模型结构 | 第45-49页 |
| 4.3.2 DBNKF的仿真分析 | 第49-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 工作内容总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者简介 | 第63-65页 |
| 致谢 | 第65页 |