| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究的背景与意义 | 第12-13页 |
| 1.2 国内外发展现状 | 第13-17页 |
| 1.2.1 组合导航系统的发展现状 | 第13页 |
| 1.2.2 人工神经网络在组合导航系统中的应用现状 | 第13-15页 |
| 1.2.3 云模型理论的研究进展 | 第15-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 第2章 MEMS惯性导航系统解算模型 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 MEMSIMUs的工作原理 | 第18-19页 |
| 2.3 MEMS_INS仿真试验平台的搭建 | 第19-26页 |
| 2.3.1 常用坐标系 | 第20-21页 |
| 2.3.2 姿态数据生成 | 第21-22页 |
| 2.3.3 轨迹数据生成 | 第22-24页 |
| 2.3.4 MEMS陀螺仪输出 | 第24-25页 |
| 2.3.5 MEMS加速度计输出 | 第25-26页 |
| 2.4 惯性导航系统解算 | 第26-30页 |
| 2.4.1 四元数微分方程 | 第26页 |
| 2.4.2 四元数微分方程的毕卡求解法 | 第26-27页 |
| 2.4.3 四元数微分方程的龙格-库塔求解法 | 第27页 |
| 2.4.4 载体姿态、速度及位置更新算法 | 第27-28页 |
| 2.4.5 两种微分方程解法精度、计算复杂度与应用场合分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 MIMUs/GPS系统的Kalman滤波器设计 | 第31-37页 |
| 3.1 引言 | 第31页 |
| 3.2 MIMUs/GPS系统工作原理 | 第31-32页 |
| 3.3 组合导航系统Kalman滤波器设计 | 第32-34页 |
| 3.3.1 系统状态方程 | 第32-34页 |
| 3.3.2 系统观测方程 | 第34页 |
| 3.3.3 Kalman滤波方程 | 第34页 |
| 3.4 仿真结果与分析 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 GPS失锁期间MIMUs/GPS的信息处理策略 | 第37-44页 |
| 4.1 引言 | 第37页 |
| 4.2 GPS失锁时的组合导航方案 | 第37-38页 |
| 4.3 Adaboost优化的MIMUs/GPS信息融合方法 | 第38-41页 |
| 4.3.1 Adaboost方法 | 第38-39页 |
| 4.3.2 基于Adaboost的BPNN离线训练 | 第39-40页 |
| 4.3.3 Kalman滤波观测值的在线预测 | 第40-41页 |
| 4.4 仿真结果分析 | 第41-43页 |
| 4.4.1 仿真参数设置 | 第41页 |
| 4.4.2 仿真结果与分析 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 噪声时变/状态突变时导航滤波算法的优化处理 | 第44-57页 |
| 5.1 引言 | 第44页 |
| 5.2 模糊推理与模糊控制 | 第44页 |
| 5.3 正态云与正态云发生器 | 第44-46页 |
| 5.3.1 正态云模型 | 第44-45页 |
| 5.3.2 X条件/Y条件云发生器 | 第45页 |
| 5.3.3 基于正态云的模糊推理过程 | 第45-46页 |
| 5.4 基于正态云模型的模糊自适应滤波 | 第46-51页 |
| 5.4.1 离散化的自适应Kalman滤波过程 | 第46页 |
| 5.4.2 基于正态云模型的模糊推理 | 第46-49页 |
| 5.4.3 仿真结果与分析 | 第49-51页 |
| 5.5 基于正态云模型的模糊强跟踪滤波 | 第51-56页 |
| 5.5.1 强跟踪Kalman滤波器原理 | 第51页 |
| 5.5.2 基于正态云模型的模糊推理 | 第51-53页 |
| 5.5.3 仿真结果分析 | 第53-56页 |
| 5.6 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第62-64页 |
| 致谢 | 第64页 |
