| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-19页 |
| ·课题的研究背景及意义 | 第12-14页 |
| ·国内外研究现状 | 第14-17页 |
| ·信息融合研究现状 | 第14-16页 |
| ·系统辨识研究现状 | 第16-17页 |
| ·本文主要研究内容 | 第17-19页 |
| 第2章 线性系统的多传感器加权观测融合自校正Kalman滤波器 | 第19-51页 |
| ·引言 | 第19-20页 |
| ·最优加权观测融合Kalman滤波器 | 第20-23页 |
| ·多传感器加权观测融合算法(Ⅰ) | 第20-21页 |
| ·多传感器加权观测融合算法(Ⅱ) | 第21-22页 |
| ·最优加权观测融合Kalman滤波器 | 第22-23页 |
| ·基于最小二乘法的自校正加权观测融合Kalman滤波器 | 第23-29页 |
| ·自适应Kalman滤波器 | 第23-25页 |
| ·基于最小二乘法的自校正加权观测融合Kalman滤波器 | 第25-27页 |
| ·基于相关函数辨识器的自校正加权观测融合Kalman滤波器 | 第27-29页 |
| ·基于协同辨识的自校正加权观测融合Kalman滤波器 | 第29-41页 |
| ·带相同观测矩阵和不相关观测噪声的情形 | 第30-33页 |
| ·带不同观测矩阵和不相关观测噪声的情形 | 第33-39页 |
| ·带不同观测矩阵和相关观测噪声的情形 | 第39-41页 |
| ·仿真 | 第41-50页 |
| ·本章小结 | 第50-51页 |
| 第3章 非线性系统的最优和自适应多传感器加权观测融合UKF滤波器 | 第51-72页 |
| ·UKF滤波器 | 第52-58页 |
| ·UKF滤波算法原理 | 第52-53页 |
| ·Sigma点采样策略 | 第53-57页 |
| ·UKF滤波器 | 第57-58页 |
| ·多传感器加权观测融合UKF滤波器 | 第58-63页 |
| ·集中式观测融UKF滤波器 | 第58页 |
| ·加权观测融合UKF滤波器 | 第58-59页 |
| ·加权观测融合UKF滤波器与集中式观测融合估值器在数值上的完全等价性 | 第59-63页 |
| ·自适应加权观测融合UKF滤波器 | 第63-66页 |
| ·噪声方差R~((j))的估计算法 | 第63-64页 |
| ·基于Sage-Husa估计的Q_(?)估计算法 | 第64-65页 |
| ·多传感器加权观测融合自适应UKF滤波器 | 第65-66页 |
| ·仿真例子 | 第66-70页 |
| ·本章小结 | 第70-72页 |
| 第4章 基于多传感器加权观测融合Kalman滤波器的预测控制算法 | 第72-97页 |
| ·基于加权观测融合Kalman滤波器的预测控制系统 | 第72-73页 |
| ·问题描述 | 第73-74页 |
| ·加权观测融合预测控制算法 | 第74-76页 |
| ·自校正加权观测融合预测控制算法 | 第76-83页 |
| ·带相同观测矩阵和不相关观测噪声的情形 | 第76-79页 |
| ·带不同观测矩阵和不相关观测噪声的情形 | 第79-81页 |
| ·带不同观测矩阵和相关观测噪声的情形 | 第81-83页 |
| ·仿真 | 第83-95页 |
| ·本章小结 | 第95-97页 |
| 结论 | 第97-99页 |
| 参考文献 | 第99-105页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第105-106页 |
| 致谢 | 第106页 |
