多传感器融合估计算法的研究及在滑坡中的应用
| 作者简介 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| §1.1 选题依据及研究意义 | 第10-11页 |
| ·滑坡的危害及研究意义 | 第10-11页 |
| ·多传感器数据融合在滑坡预报中的理论意义 | 第11页 |
| §1.2 研究现状 | 第11-14页 |
| ·滑坡预报研究现状 | 第11-12页 |
| ·多传感器数据融合理论的研究现状 | 第12-14页 |
| §1.3 本文所做工作 | 第14-15页 |
| ·主要内容 | 第14-15页 |
| 第二章 多传感器数据融合技术概述 | 第15-22页 |
| §2.1 多传感器数据融合的定义及原理 | 第15页 |
| §2.2 多传感器数据融合的融合级别及模型 | 第15-21页 |
| ·多传感器数据融合的融合级别 | 第15-17页 |
| ·多传感器数据融合的融合结构 | 第17-21页 |
| ·多传感器数据融合的优点 | 第21页 |
| §2.3 本章小结 | 第21-22页 |
| 第三章 多传感器数据融合估计基本理论 | 第22-26页 |
| §3.1 融合估计理论概述 | 第22-23页 |
| §3.2 最优估计方法 | 第23-25页 |
| ·最小二乘估计 | 第23-24页 |
| ·加权最小二乘估计 | 第24页 |
| ·最小方差估计 | 第24-25页 |
| ·线性最小方差估计 | 第25页 |
| §3.3 本章小结 | 第25-26页 |
| 第四章 多传感器加权融合方法研究 | 第26-33页 |
| §4.1 加权平均融合法 | 第26-29页 |
| §4.2 动态权值加权融合法 | 第29-30页 |
| §4.3 序贯动态权值加权融合法 | 第30-31页 |
| §4.4 实例分析 | 第31-32页 |
| §4.5 本章小结 | 第32-33页 |
| 第五章 多传感器融合估计算法的研究 | 第33-43页 |
| §5.1 经典的卡尔曼滤波算法 | 第33-35页 |
| ·离散型kalman滤波算法 | 第33-34页 |
| ·滤波初始值的选取 | 第34-35页 |
| §5.2 多传感器集中式kalman滤波信息融合 | 第35-36页 |
| §5.3 多传感器联邦kalman滤波信息融合 | 第36-37页 |
| ·联邦kalman滤波的原理 | 第36-37页 |
| §5.4 多传感器自适应kalman滤波信息融合 | 第37-38页 |
| §5.5 仿真实验与结果分析 | 第38-40页 |
| §5.6 多传感器数据融合在滑坡中的应用 | 第40-42页 |
| ·滑坡运动模型的建立 | 第40-41页 |
| ·实例验证 | 第41-42页 |
| §5.7 本章小结 | 第42-43页 |
| 总结与展望 | 第43-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-48页 |
