| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-24页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.2 非线性滤波算法研究现状 | 第13-17页 |
| 1.2.1 扩展卡尔曼滤波 | 第13-14页 |
| 1.2.2 Sigma点卡尔曼滤波 | 第14-16页 |
| 1.2.3 粒子滤波 | 第16-17页 |
| 1.3 鲁棒卡尔曼滤波算法的研究现状 | 第17-21页 |
| 1.4 本文的主要研究内容 | 第21-24页 |
| 第2章 基于卡方检验的自适应鲁棒SVDCKF | 第24-43页 |
| 2.1 引言 | 第24-25页 |
| 2.2 奇异值分解容积卡尔曼滤波算法 | 第25-29页 |
| 2.3 自适应算法与鲁棒算法 | 第29-33页 |
| 2.3.1 判断方法 | 第29-31页 |
| 2.3.2 强跟踪自适应算法 | 第31-32页 |
| 2.3.3 测量噪声增强鲁棒算法 | 第32-33页 |
| 2.4 基于卡方检验的自适应鲁棒SVDCKF | 第33-35页 |
| 2.5 数值仿真 | 第35-42页 |
| 2.6 本章小结 | 第42-43页 |
| 第3章 基于降维SVDCKF的未知输入观测器 | 第43-67页 |
| 3.1 未知输入观测器 | 第43-44页 |
| 3.2 一般非线性未知输入观测器模型 | 第44-46页 |
| 3.3 基于SVDCKF的非线性未知输入观测器 | 第46-48页 |
| 3.4 基于降维SVDCKF的非线性未知输入观测器 | 第48-57页 |
| 3.4.1 具有特殊非线性的系统模型 | 第48-49页 |
| 3.4.2 降维算法等价性相关定理 | 第49-55页 |
| 3.4.3 基于降维算法的未知输入观测器 | 第55-57页 |
| 3.5 仿真与分析 | 第57-65页 |
| 3.6 本章小结 | 第65-67页 |
| 第4章 鲁棒SVDCQKF算法及在组合导航中的应用 | 第67-93页 |
| 4.1 组合导航与卡尔曼滤波算法 | 第67-69页 |
| 4.2 基于奇异值分解鲁棒容积积分卡尔曼滤波 | 第69-78页 |
| 4.2.1 H-∞原理 | 第69-70页 |
| 4.2.2 贝叶斯框架下的非线性滤波 | 第70-72页 |
| 4.2.3 奇异值分解鲁棒容积积分卡尔曼滤波 | 第72-78页 |
| 4.3 GPS/INS组合导航原理及数学模型 | 第78-82页 |
| 4.3.1 组合导航基本原理 | 第78-80页 |
| 4.3.2 GPS/INS组合导航数学模型 | 第80-82页 |
| 4.4 数值仿真及GPS/INS组合导航系统仿真 | 第82-92页 |
| 4.4.1 数值仿真 | 第82-86页 |
| 4.4.2 GPS/INS组合导航系统仿真 | 第86-92页 |
| 4.5 本章小结 | 第92-93页 |
| 第5章 噪声补偿SVDCKF及在机器视觉中的应用 | 第93-114页 |
| 5.1 神经网络与卡尔曼滤波 | 第93-94页 |
| 5.2 基于神经网络的噪声补偿SVDCKF算法 | 第94-98页 |
| 5.2.1 BP神经网络 | 第94-96页 |
| 5.2.2 基于神经网络的噪声补偿算法 | 第96-98页 |
| 5.3 双目视觉模型 | 第98-101页 |
| 5.4 用于估计图像雅可比矩阵的噪声补偿SVDCKF算法 | 第101-104页 |
| 5.4.1 图像雅可比矩阵估计模型 | 第101-102页 |
| 5.4.2 基于噪声补偿算法的双目伺服控制系统 | 第102-104页 |
| 5.5 基于图像反馈的视觉伺服系统仿真与实验 | 第104-113页 |
| 5.5.1 仿真与分析 | 第104-110页 |
| 5.5.2 基于图像反馈的视觉伺服系统实验 | 第110-113页 |
| 5.6 本章小结 | 第113-114页 |
| 结论 | 第114-116页 |
| 参考文献 | 第116-127页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第127-128页 |
| 致谢 | 第128页 |
