| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-30页 |
| 1.1 论文的研究背景与意义 | 第11-14页 |
| 1.1.1 论文的研究背景 | 第11-13页 |
| 1.1.2 论文的研究意义 | 第13-14页 |
| 1.2 惯性组合航姿系统的国内外研究进展 | 第14-17页 |
| 1.2.1 惯性组合航姿系统的国外研究进展 | 第14-16页 |
| 1.2.2 惯性组合航姿系统的国内研究进展 | 第16-17页 |
| 1.3 惯性组合航姿系统关键技术的研究进展 | 第17-25页 |
| 1.3.1 航姿测量技术研究进展 | 第19-21页 |
| 1.3.2 航姿更新解算方法的研究进展 | 第21-22页 |
| 1.3.3 多源信息融合技术研究进展 | 第22-25页 |
| 1.4 论文主要研究内容与技术路线 | 第25-27页 |
| 1.4.1 论文主要研究内容 | 第25-26页 |
| 1.4.2 论文的技术路线 | 第26-27页 |
| 1.5 论文的内容安排 | 第27-30页 |
| 第二章 基于多源信息融合的车辆航姿估计系统数学模型 | 第30-55页 |
| 2.1 引言 | 第30页 |
| 2.2 多源信息融合框架下的车辆坐标系统 | 第30-36页 |
| 2.2.1 车辆航姿坐标系统 | 第30-33页 |
| 2.2.2 车辆航向姿态角表示 | 第33-34页 |
| 2.2.3 车辆航姿坐标系转换 | 第34-36页 |
| 2.3 基于 MRPs 的车辆运动学模型 | 第36-44页 |
| 2.3.1 车辆航姿更新解算方法 | 第36-42页 |
| 2.3.2 车辆航姿更新解算方法计算量分析 | 第42-43页 |
| 2.3.3 基于 MRPs 参数的车辆运动学模型 | 第43-44页 |
| 2.4 车辆航姿估计系统粒子滤波数据融合模型 | 第44-54页 |
| 2.4.1 最优 Bayesian 滤波估计 | 第44-48页 |
| 2.4.2 粒子滤波及其存在的问题 | 第48-52页 |
| 2.4.3 粒子滤波优化算法的研究现状 | 第52-53页 |
| 2.4.4 粒子滤波在车辆航姿估计系统中的应用特点 | 第53-54页 |
| 2.5 本章小结 | 第54-55页 |
| 第三章 基于改进入侵式野草优化的粒子滤波采样策略 | 第55-71页 |
| 3.1 引言 | 第55页 |
| 3.2 入侵式野草优化算法 | 第55-57页 |
| 3.3 改进入侵式野草优化算法 | 第57-58页 |
| 3.4 算法的相关性研究 | 第58-59页 |
| 3.5 改进入侵式野草优化算法的性能分析 | 第59-62页 |
| 3.5.1 算法的 Markov 收敛性 | 第59-60页 |
| 3.5.2 算法的数值寻优实验 | 第60-62页 |
| 3.6 基于改进入侵式野草优化采样的粒子滤波算法 | 第62-64页 |
| 3.6.1 粒子的适应值函数 | 第62-63页 |
| 3.6.2 算法执行步骤 | 第63-64页 |
| 3.7 算法的状态估计性能仿真与分析 | 第64-69页 |
| 3.7.1 单变量非静态增长模型仿真 | 第64-67页 |
| 3.7.2 强非线性系统的状态空间模型仿真 | 第67-69页 |
| 3.8 本章小结 | 第69-71页 |
| 第四章 基于 Fourier-Hermite RTS 的粒子滤波建议分布策略 | 第71-83页 |
| 4.1 引言 | 第71-72页 |
| 4.2 固定区间最优平滑理论 | 第72-74页 |
| 4.3 基于 Fourier-Hermite RTS 的建议分布 | 第74-76页 |
| 4.4 基于随机摄动的粒子重采样过程 | 第76-77页 |
| 4.5 算法执行步骤 | 第77-78页 |
| 4.6 算法的状态估计性能仿真与分析 | 第78-81页 |
| 4.6.1 分时恒定系统模型仿真 | 第78-80页 |
| 4.6.2 强非线性系统的状态空间模型仿真 | 第80-81页 |
| 4.7 本章小结 | 第81-83页 |
| 第五章 基于遗传算法与入侵式野草优化的粒子滤波重采样与采样策略 | 第83-94页 |
| 5.1 引言 | 第83页 |
| 5.2 遗传算法 | 第83-85页 |
| 5.2.1 遗传算法基本操作 | 第83-84页 |
| 5.2.2 算法的相关性分析 | 第84-85页 |
| 5.3 遗传重采样方法 | 第85-87页 |
| 5.3.1 遗传重采样粒子适应函数 | 第85页 |
| 5.3.2 遗传重采样过程 | 第85-87页 |
| 5.4 入侵式野草优化采样过程 | 第87-88页 |
| 5.5 算法执行步骤 | 第88-89页 |
| 5.6 算法的状态估计性能仿真与分析 | 第89-93页 |
| 5.6.1 单变量非平稳增长模型仿真 | 第89-91页 |
| 5.6.2 强非线性系统的状态空间模型仿真 | 第91-93页 |
| 5.7 本章小结 | 第93-94页 |
| 第六章 基于多源信息融合的车辆航姿估计系统设计与仿真 | 第94-123页 |
| 6.1 引言 | 第94页 |
| 6.2 基于多源信息融合的车辆航姿估计系统设计 | 第94-101页 |
| 6.2.1 基于多源信息融合的车辆航姿估计系统的需求分析 | 第94-95页 |
| 6.2.2 车辆航姿估计系统的硬件平台 | 第95-98页 |
| 6.2.3 车辆航姿估计系统的软件设计 | 第98-99页 |
| 6.2.4 车辆航姿估计系统的信息融合过程 | 第99-101页 |
| 6.3 车辆航姿估计系统的误差建模 | 第101-108页 |
| 6.3.1 基于乘性 MRPs 的航姿误差模型 | 第101-102页 |
| 6.3.2 微机械陀螺仪测量原理及其误差模型 | 第102-105页 |
| 6.3.3 微机械加速度计测量原理及其误差模型 | 第105-107页 |
| 6.3.4 微机械磁强计测量原理及其误差模型 | 第107-108页 |
| 6.4 基于多源信息融合的车辆航姿估计过程 | 第108-111页 |
| 6.4.1 系统状态方程建模 | 第109页 |
| 6.4.2 系统观测方程建模 | 第109-110页 |
| 6.4.3 基于 MIWOSIR 的车辆航姿估计过程 | 第110-111页 |
| 6.5 基于多源信息融合的车辆航姿估计实验 | 第111-122页 |
| 6.5.1 车辆航姿估计系统仿真验证 | 第112-117页 |
| 6.5.2 车辆航姿估计系统实车验证 | 第117-122页 |
| 6.6 本章小结 | 第122-123页 |
| 第七章 总结与展望 | 第123-126页 |
| 7.1 论文的工作总结 | 第123-125页 |
| 7.2 进一步工作展望 | 第125-126页 |
| 参考文献 | 第126-136页 |
| 攻读博士学位期间取得的研究成果 | 第136-139页 |
| 攻读博士学位期间参与的科研项目 | 第139-140页 |
| 致谢 | 第140页 |
