| 致谢 | 第1-4页 |
| 中文摘要 | 第4-7页 |
| 英文摘要 | 第7-10页 |
| 符号表 | 第10-14页 |
| 第一章 引言 | 第14-23页 |
| ·最优解中的矩阵广义逆及其递推计算 | 第15-16页 |
| ·主要问题与解决思路 | 第16-22页 |
| ·一般情形下精确初始化的递推最小二乘 | 第16-19页 |
| ·分布式多传感器最优估计融合公式的计算 | 第19-21页 |
| ·协方差矩阵广义逆的平方根分解算法 | 第21-22页 |
| ·内容安排 | 第22-23页 |
| 第二章 预备知识 | 第23-28页 |
| ·正交投影算子及其性质 | 第23页 |
| ·矩阵的Moore-Penrose广义逆及其性质 | 第23-25页 |
| ·矩阵的Kronecker积 | 第25页 |
| ·几个重要的引理 | 第25-28页 |
| 第三章 广义逆的阶数递推公式及推广 | 第28-39页 |
| ·矩阵广义逆的阶数递推算法 | 第29-34页 |
| ·矩阵广义逆的Greville递推公式 | 第29-30页 |
| ·矩阵广义逆Greville递推公式的改进 | 第30-33页 |
| ·增加多行数据后矩阵广义逆的递推公式 | 第33-34页 |
| ·矩阵广义逆阶数递推公式的两个推广 | 第34-38页 |
| ·正交投影作用下矩阵广义逆的递推公式 | 第34-36页 |
| ·遗忘因子加权情形下矩阵广义逆的递推公式 | 第36-38页 |
| ·小结 | 第38-39页 |
| 第四章 精确初始化的递推最小二乘算法 | 第39-54页 |
| ·最小二乘问题的求解 | 第39-42页 |
| ·批处理方法 | 第40-41页 |
| ·递推最小二乘方法 | 第41-42页 |
| ·精确初始化的递推最小二乘公式 | 第42-48页 |
| ·一般情形的RLS | 第43-44页 |
| ·具有线性等式约束的RLS | 第44-46页 |
| ·加权情形的RLS | 第46-48页 |
| ·算法的数值分析 | 第48-53页 |
| ·保持Q_N为正交投影矩阵 | 第49-50页 |
| ·误差的繁殖 | 第50-51页 |
| ·误差的累积 | 第51-53页 |
| ·小结 | 第53-54页 |
| 第五章 最好线性无偏估计的递推算法 | 第54-66页 |
| ·最好线性无偏估计 | 第54-58页 |
| ·优化准则 | 第54-55页 |
| ·BLUE的求解 | 第55-56页 |
| ·BLUE计算方面的分析 | 第56页 |
| ·BLUE的构成 | 第56-58页 |
| ·正交投影矩阵P的一种分解 | 第58-60页 |
| ·最优权矩阵的选择 | 第60-64页 |
| ·两个矩阵和的广义逆 | 第60-61页 |
| ·一个适当的最优权矩阵 | 第61-64页 |
| ·BLUE的递推算法 | 第64-65页 |
| ·小结 | 第65-66页 |
| 第六章 多传感器最优估计融合的递推算法 | 第66-84页 |
| ·分布式多传感器数据融合 | 第66-67页 |
| ·最优估计融合公式 | 第67-72页 |
| ·Bar-Shalom两传感器估计融合 | 第68-69页 |
| ·多传感器最优线性无偏估计融合 | 第69-70页 |
| ·Bar-Shalom两站融合算法的推广 | 第70-71页 |
| ·用广义Gauss-Markov模型解释最优线性估计融合 | 第71-72页 |
| ·最优线性估计融合的计算 | 第72-82页 |
| ·递推算法 | 第73页 |
| ·递推过程的进一步分析 | 第73-78页 |
| ·三个传感器的递推过程 | 第78-79页 |
| ·四个传感器的数值例子 | 第79-81页 |
| ·计算量的分析及实例 | 第81-82页 |
| ·推广的多传感器最优线性融合的快速计算 | 第82-83页 |
| ·小结 | 第83-84页 |
| 第七章 协方差矩阵广义逆平方根的阶数递推 | 第84-91页 |
| ·平方根的阶数递推问题 | 第84-85页 |
| ·精确的阶数递推公式 | 第85-87页 |
| ·关于奇异值分解方法的分析 | 第87-90页 |
| ·小结 | 第90-91页 |
| 第八章 总结 | 第91-93页 |
| 参考文献 | 第93-98页 |
| 攻读博士学位期间发表的论文 | 第98-99页 |