| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 行人导航技术研究现状 | 第9-10页 |
| 1.2.2 惯性技术在行人导航中的研究现状 | 第10页 |
| 1.2.3 神经网络方法在导航应用中的研究现状 | 第10-11页 |
| 1.2.4 故障检测技术在导航应用中的研究现状 | 第11-12页 |
| 1.3 论文研究内容及结构 | 第12-14页 |
| 第2章 自适应零速修正辅助的微惯性行人导航方法研究 | 第14-28页 |
| 2.1 引言 | 第14页 |
| 2.2 微惯性行人导航算法研究 | 第14-21页 |
| 2.2.1 微惯性行人导航算法框架 | 第14-15页 |
| 2.2.2 行人步态特性分析 | 第15-17页 |
| 2.2.3 自适应约束的零速检测模型 | 第17-18页 |
| 2.2.4 最优滤波原理及算法解析 | 第18-21页 |
| 2.3 微惯性器件的精度分析 | 第21-23页 |
| 2.4 微惯性行人导航的半物理仿真测试及分析 | 第23-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于机器学习的虚拟微惯性器件构建方法 | 第28-46页 |
| 3.1 引言 | 第28页 |
| 3.2 人体下肢运动学中的惯性信息模型 | 第28-31页 |
| 3.2.1 各种步态下人体下肢运动分析 | 第28-29页 |
| 3.2.2 基于运动学机理的惯性信息模型 | 第29-31页 |
| 3.3 基于机器学习的虚拟微惯性器件构建 | 第31-41页 |
| 3.3.1 BP神经网络的概述与选取 | 第31-34页 |
| 3.3.2 基于BP神经网络的训练模型构建 | 第34-39页 |
| 3.3.3 基于步态样本自适应提取的神经网络训练 | 第39-41页 |
| 3.4 虚拟微惯性器件的性能测试与分析 | 第41-45页 |
| 3.4.1 虚拟微惯性器件信息的精度测试与分析 | 第41-43页 |
| 3.4.2 虚拟微惯性器件信息的泛化能力测试与分析 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 微惯性器件的故障检测与行人导航系统的重构技术 | 第46-60页 |
| 4.1 引言 | 第46页 |
| 4.2 微惯性器件的故障类型 | 第46-47页 |
| 4.3 微惯性器件的故障检测策略 | 第47-52页 |
| 4.3.1 基于直接比较测量值方法的故障检测方案 | 第47-49页 |
| 4.3.2 基于BP神经网络辅助的故障检测方案 | 第49-51页 |
| 4.3.3 故障检测的门限判定 | 第51-52页 |
| 4.4 微惯性器件故障检测及系统重构测试与分析 | 第52-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 基于运动学辅助的行人导航系统构建与性能分析 | 第60-72页 |
| 5.1 引言 | 第60页 |
| 5.2 基于运动学辅助的行人导航系统设计原理分析 | 第60-62页 |
| 5.3 基于运动学辅助的行人导航系统实现方案设计 | 第62-68页 |
| 5.3.1 硬件平台实现方案设计 | 第62-67页 |
| 5.3.2 软件模块实现方案设计 | 第67-68页 |
| 5.4 基于运动学辅助的行人导航系统性能验证 | 第68-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第6章 结论与展望 | 第72-74页 |
| 6.1 本文工作总结 | 第72-73页 |
| 6.2 进一步工作展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 在读期间发表的学术论文及研究成果 | 第79-80页 |
| 致谢 | 第80页 |
