基于车载组合导航系统的信息融合算法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-22页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·课题的来源 | 第11页 |
| ·课题研究的目的和意义 | 第11-12页 |
| ·组合导航系统研究状况 | 第12-15页 |
| ·导航系统发展及现状 | 第13-14页 |
| ·GPS/INS 组合导航系统发展 | 第14-15页 |
| ·组合导航系统信息融合理论及发展 | 第15-20页 |
| ·多传感器信息融合理论概述 | 第16-17页 |
| ·基于Bayes 估计理论的信息融合算法 | 第17-19页 |
| ·基于人工智能的信息融合算法 | 第19-20页 |
| ·论文的研究内容 | 第20-22页 |
| 第2章 GPS/INS 组合导航系统研究 | 第22-35页 |
| ·引言 | 第22页 |
| ·惯性导航系统 | 第22-24页 |
| ·惯性导航工作原理 | 第22-23页 |
| ·惯性导航分类 | 第23-24页 |
| ·GPS 系统导航原理 | 第24-30页 |
| ·GPS 系统的组成 | 第25页 |
| ·伪距定位原理 | 第25-27页 |
| ·载波相位测量定位原理 | 第27-29页 |
| ·GPS 载波相位定向原理 | 第29-30页 |
| ·GPS/INS 组合导航系统设计 | 第30-33页 |
| ·GPS 与INS 组合的缺点 | 第30-31页 |
| ·GPS 与INS 的互补性 | 第31-32页 |
| ·GPS 与INS 组合分析 | 第32-33页 |
| ·GPS 与INS 组合导航系统建模 | 第33页 |
| ·本章小结 | 第33-35页 |
| 第3章 基于EKF 的多模型组合导航算法 | 第35-49页 |
| ·引言 | 第35页 |
| ·卡尔曼滤波及其改进算法 | 第35-38页 |
| ·基于bayes 统计的线性滤波 | 第36-37页 |
| ·扩展卡尔曼滤波 | 第37-38页 |
| ·交互多模型算法的研究 | 第38-43页 |
| ·多模型算法的发展与现状 | 第39-41页 |
| ·交互多模型滤波算法 | 第41-43页 |
| ·基于多模型线性化的扩展卡尔曼滤波 | 第43-48页 |
| ·车载组合导航的系统方程 | 第43-45页 |
| ·非线性方程的多模型线性化 | 第45-47页 |
| ·仿真结果分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 基于UKF 的多模型组合导航方法研究 | 第49-60页 |
| ·引言 | 第49页 |
| ·UNSCENTED 滤波算法 | 第49-53页 |
| ·UKF 概述 | 第49-50页 |
| ·UT 变换 | 第50-51页 |
| ·UKF 滤波算法 | 第51-53页 |
| ·改进的多模型UKF 滤波算法 | 第53-59页 |
| ·多模型UKF 滤波算法 | 第53-56页 |
| ·新息滤波的多模型UKF 算法 | 第56-57页 |
| ·马尔可夫预测估计 | 第57-58页 |
| ·仿真结果分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 基于改进粒子滤波的多模型算法研究 | 第60-74页 |
| ·引言 | 第60页 |
| ·基本粒子滤波算法 | 第60-65页 |
| ·序惯重要性采样原理 | 第60-62页 |
| ·重要性函数的选取和重采样 | 第62-63页 |
| ·带有重采样的粒子滤波算法 | 第63-65页 |
| ·改进的粒子滤波新算法 | 第65-69页 |
| ·UD-EKF 重要性采样方法 | 第65-68页 |
| ·完整的粒子滤波改进算法 | 第68-69页 |
| ·基于改进粒子滤波的多模型算法 | 第69-72页 |
| ·改进的粒子滤波多模型算法 | 第69-71页 |
| ·仿真结果分析 | 第71-72页 |
| ·本章小结 | 第72-74页 |
| 结论与展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82-83页 |
