| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 UUV关键技术研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 UUV任务推演技术研究现状 | 第15-17页 |
| 1.4 UUV模型辨识技术研究现状 | 第17-18页 |
| 1.5 主要研究内容和组织结构 | 第18-21页 |
| 第2章 面向任务的UUV同步推演平台构建 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 系统功能和要求 | 第21-25页 |
| 2.2.1 系统功能 | 第21-22页 |
| 2.2.2 时间同步与模型需求 | 第22-23页 |
| 2.2.3 UUV的任务描述 | 第23-25页 |
| 2.3 UUV任务推演平台构建 | 第25-27页 |
| 2.3.1 推演系统结构 | 第25-26页 |
| 2.3.2 硬件拓扑结构 | 第26页 |
| 2.3.3 外测定位数据校准 | 第26-27页 |
| 2.4 软件系统设计和实现 | 第27-33页 |
| 2.4.1 基于BCB的UUV二维监控界面设计 | 第28-29页 |
| 2.4.2 基于QNX的UUV实艇控制软件设计 | 第29-30页 |
| 2.4.3 基于Creator和VP的三维视景软件设计 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于神经网络的UUV黑箱模型辨识 | 第34-50页 |
| 3.1 引言 | 第34页 |
| 3.2 UUV运动分析 | 第34-37页 |
| 3.2.1 六自由度运动 | 第34-35页 |
| 3.2.2 推进器和舵模型 | 第35-37页 |
| 3.3 基于神经网络的UUV模型辨识方法 | 第37-39页 |
| 3.3.1 神经网络辨识原理 | 第37-38页 |
| 3.3.2 改进Elman神经网络 | 第38-39页 |
| 3.4 UUV黑箱模型建立 | 第39-44页 |
| 3.4.1 训练样本选择 | 第39-42页 |
| 3.4.2 网络结构确立 | 第42页 |
| 3.4.3 可信度分析 | 第42-44页 |
| 3.5 辨识结果及分析 | 第44-49页 |
| 3.5.1 辨识结果 | 第44-46页 |
| 3.5.2 结果分析 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 基于海流补偿的UUV位姿预测修正 | 第50-62页 |
| 4.1 引言 | 第50页 |
| 4.2 海流对UUV运动的影响 | 第50-51页 |
| 4.3 海流数据的获取与处理 | 第51-56页 |
| 4.3.1 海流数据的获取 | 第51-53页 |
| 4.3.2 海流数据的处理 | 第53-56页 |
| 4.4 基于海流补偿的位姿修正方法 | 第56-59页 |
| 4.4.1 航速修正 | 第56-58页 |
| 4.4.2 航向修正 | 第58-59页 |
| 4.5 海流补偿结果 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 典型任务推演实验验证 | 第62-73页 |
| 5.1 引言 | 第62页 |
| 5.2 实验说明 | 第62-63页 |
| 5.3 探测CTD任务推演实验 | 第63-65页 |
| 5.3.1 任务描述 | 第63页 |
| 5.3.2 推演结果 | 第63-65页 |
| 5.4 海底地貌探测任务推演实验 | 第65-68页 |
| 5.4.1 任务描述 | 第65-66页 |
| 5.4.2 推演结果 | 第66-68页 |
| 5.5 长航程任务推演实验 | 第68-71页 |
| 5.5.1 任务描述 | 第68页 |
| 5.5.2 推演结果 | 第68-71页 |
| 5.6 外测定位数据回演验证 | 第71页 |
| 5.7 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第80-81页 |
| 致谢 | 第81页 |