改进BPNN模式识别算法在消除INS漂移误差中的应用
摘要 | 第1-4页 |
ABSTRACT | 第4-10页 |
第1章 绪论 | 第10-20页 |
·课题背景和意义 | 第10-11页 |
·地形辅助惯性自主导航技术的发展现状 | 第11-12页 |
·国外该领域的发展 | 第11-12页 |
·国内该领域的发展现状 | 第12页 |
·总结 | 第12页 |
·地形辅助惯性自主导航技术的算法 | 第12-18页 |
·重力辅助惯性导航的匹配算法 | 第12-13页 |
·基于衰减记忆的辅助惯性导航的匹配算法 | 第13-14页 |
·基于贝叶斯的辅助惯性导航的匹配算法 | 第14-15页 |
·基于迭代最近点的辅助惯性导航算法 | 第15页 |
·基于粒子滤波的辅助惯性导航算法 | 第15-16页 |
·基于声纳技术的辅助惯性导航方法 | 第16-17页 |
·基于概率数据关联的辅助惯性导航算法 | 第17页 |
·基于成像激光雷达辅助惯性导航方法 | 第17-18页 |
·本文的研究工作 | 第18-20页 |
第2章 人工神经网络模型 | 第20-36页 |
·人工神经网络的介绍 | 第20-24页 |
·人工神经网络的发展史 | 第20-21页 |
·人工神经网络的应用 | 第21页 |
·人工神经网络的结构 | 第21-22页 |
·人工神经网络的特点 | 第22-23页 |
·人工神经网络的学习方式 | 第23-24页 |
·误差反向传播的人工神经网络-BP 网络 | 第24-34页 |
·典型的三层神经网络结构模型 | 第24-26页 |
·BP 网络的学习算法 | 第26-30页 |
·BP 网络算法的比较分析 | 第30-31页 |
·BP 网络的局限性分析 | 第31-32页 |
·BP 网络泛化能力的提高方法 | 第32页 |
·BP 网络的设计方法 | 第32-34页 |
·径向基神经网络-RBF | 第34-36页 |
·径向基神经网络概述 | 第34页 |
·径向基神经网络三种常用结构模型 | 第34-36页 |
第3章 模式识别技术 | 第36-43页 |
·模式识别的简要概述 | 第36页 |
·模式识别的研究方法 | 第36-37页 |
·典型模式识别系统的组成 | 第36页 |
·模式识别各阶段的主要作用 | 第36-37页 |
·典型模式识别系统的识别学习过程 | 第37页 |
·模式识别方法 | 第37-39页 |
·统计模式识别 | 第38页 |
·结构模式识别 | 第38-39页 |
·模糊模式识别 | 第39页 |
·神经网络模式识别 | 第39页 |
·BP 神经网络模式识别算法 | 第39-42页 |
·BP 网络模式识别的两阶段 | 第39-40页 |
·BP 网络模式识别的数学模型 | 第40-42页 |
·本章小结 | 第42-43页 |
第4章 数字地图的建立 | 第43-51页 |
·数字地图的描述 | 第43-44页 |
·研究数字地图的重要性 | 第44-45页 |
·数字地图的精度 | 第45-46页 |
·数字地图的产生 | 第46-50页 |
·本章小结 | 第50-51页 |
第5章 数字地图辅助惯导系统及算法 | 第51-66页 |
·地形辅助惯导组成及原理 | 第51-53页 |
·地形辅助惯性导航的几项技术 | 第53-55页 |
·地形辅助惯导系统导航的匹配算法 | 第55-60页 |
·最小相似度量算法和相关算法 | 第55-57页 |
·匹配搜索算法 | 第57-60页 |
·SITAN 算法 | 第60-62页 |
·算法原理 | 第60-61页 |
·算法特点 | 第61-62页 |
·地形熵匹配算法 | 第62-63页 |
·地形熵的定义 | 第62页 |
·算法基本思想 | 第62-63页 |
·算法的缺陷分析 | 第63页 |
·基于改进BP 神经网络模式识别匹配法 | 第63-65页 |
·算法思想 | 第63页 |
·算法的流程 | 第63-65页 |
·算法的特点 | 第65页 |
·本章小结 | 第65-66页 |
第6章 改进BP 神经网络模式识别算法仿真 | 第66-77页 |
·仿真参数选择 | 第66页 |
·仿真分析 | 第66-76页 |
·仿真实例一 | 第66-71页 |
·仿真实例二 | 第71-75页 |
·匹配率仿真分析 | 第75-76页 |
·本章小结 | 第76-77页 |
第7章 结论 | 第77-79页 |
·论文的主要工作和创新点 | 第77-79页 |
·本文的主要工作 | 第77-78页 |
·本文的创新点 | 第78-79页 |
参考文献 | 第79-84页 |
致谢 | 第84-85页 |
附录 | 第85-87页 |