| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-35页 |
| 1.1 课题研究背景及意义 | 第15-19页 |
| 1.1.1 航天器编队飞行 | 第16页 |
| 1.1.2 编队航天器自主交会 | 第16-19页 |
| 1.2 状态估计算法 | 第19-26页 |
| 1.2.1 鲁棒状态估计算法的发展 | 第19-22页 |
| 1.2.2 自适应状态估计算法的发展 | 第22-24页 |
| 1.2.3 一般状态估计算法的发展 | 第24-26页 |
| 1.3 航天器姿态估计算法 | 第26-28页 |
| 1.3.1 基于四元数的姿态估计算法 | 第26页 |
| 1.3.2 基于修改的罗格里斯参数的姿态估计算法 | 第26-27页 |
| 1.3.3 鲁棒的姿态估计算法 | 第27-28页 |
| 1.4 编队航天器相对导航算法 | 第28-30页 |
| 1.4.1 基于组合导航的相对导航 | 第28页 |
| 1.4.2 基于改进滤波算法的相对导航 | 第28-30页 |
| 1.4.3 鲁棒的相对导航算法 | 第30页 |
| 1.5 本文主要创新点及组织结构 | 第30-33页 |
| 1.5.1 本文主要创新点 | 第30-32页 |
| 1.5.2 本文组织结构 | 第32-33页 |
| 1.6 本章小结 | 第33-35页 |
| 第二章 线性回归理论及常用状态估计算法 | 第35-51页 |
| 2.1 引言 | 第35页 |
| 2.2 最大似然估计算法 | 第35-39页 |
| 2.2.1 算法回顾 | 第35-36页 |
| 2.2.2 关联残差情况 | 第36-37页 |
| 2.2.3 一致性、效率和偏移性分析 | 第37页 |
| 2.2.4 高斯分布下的最大似然估计 | 第37-39页 |
| 2.2.5 拉普拉斯分布下的最大似然估计 | 第39页 |
| 2.3 广义最大似然估计算法 | 第39-46页 |
| 2.3.1 算法回顾 | 第39-42页 |
| 2.3.2 鲁棒性的概念和测度 | 第42-43页 |
| 2.3.3 调节参数的选择 | 第43-45页 |
| 2.3.4 Huber估计与最大似然估计等价的情况 | 第45页 |
| 2.3.5 隐性似然等式的数值解 | 第45-46页 |
| 2.4 常用状态估计算法 | 第46-50页 |
| 2.4.1 最小二乘估计算法 | 第46-47页 |
| 2.4.2 扩展卡尔曼滤波算法 | 第47-48页 |
| 2.4.3 均差滤波算法 | 第48-50页 |
| 2.5 本章小结 | 第50-51页 |
| 第三章 鲁棒自适应卡尔曼滤波及在航天器姿态估计中的应用 | 第51-79页 |
| 3.1 航天器姿态描述 | 第51-56页 |
| 3.1.1 方向余弦 | 第51-52页 |
| 3.1.2 欧拉角 | 第52-53页 |
| 3.1.3 欧拉轴/角参数 | 第53页 |
| 3.1.4 四元数 | 第53-55页 |
| 3.1.5 罗格里斯参数 | 第55页 |
| 3.1.6 修改的罗格里斯参数 | 第55-56页 |
| 3.2 测量模型 | 第56-57页 |
| 3.2.1 陀螺测量模型 | 第56页 |
| 3.2.2 星敏感器测量模型 | 第56-57页 |
| 3.3 姿态滤波估计算法应用 | 第57-58页 |
| 3.4 基于Huber的鲁棒姿态估计算法 | 第58-62页 |
| 3.4.1 基于Huber的鲁棒卡尔曼滤波算法 | 第58-60页 |
| 3.4.2 仿真分析 | 第60-62页 |
| 3.5 基于估计误差协方差预测矩阵上界的自适应姿态估计算法 | 第62-72页 |
| 3.5.1 自适应滤波算法 | 第63-70页 |
| 3.5.2 仿真分析 | 第70-72页 |
| 3.6 鲁棒自适应姿态估计算法 | 第72-77页 |
| 3.6.1 一种鲁棒自适应滤波算法 | 第72-73页 |
| 3.6.2 仿真分析 | 第73-77页 |
| 3.7 本章小结 | 第77-79页 |
| 第四章 鲁棒均差滤波及在编队航天器相对导航中的应用 | 第79-99页 |
| 4.1 相对轨道动力学模型 | 第79-81页 |
| 4.2 GPS测量模型 | 第81-82页 |
| 4.3 基于简化均差滤波的编队航天器相对导航 | 第82-89页 |
| 4.3.1 简化的均差滤波算法 | 第83-84页 |
| 4.3.2 仿真分析 | 第84-89页 |
| 4.4 基于Huber的均差滤波编队航天器相对导航 | 第89-97页 |
| 4.4.1 基于Huber的鲁棒简化均差滤波算法 | 第91-92页 |
| 4.4.2 H-SDDF算法步骤总结 | 第92-93页 |
| 4.4.3 仿真分析 | 第93-97页 |
| 4.5 本章小结 | 第97-99页 |
| 第五章 改进的迭代均差滤波及在目标跟踪中的应用 | 第99-121页 |
| 5.1 迭代均差滤波算法 | 第99-111页 |
| 5.1.1 迭代扩展卡尔曼滤波算法 | 第100-101页 |
| 5.1.2 改进的均差滤波算法 | 第101-102页 |
| 5.1.3 迭代均差滤波算法 | 第102-103页 |
| 5.1.4 算法比较与分析 | 第103-108页 |
| 5.1.5 基于状态增广的迭代均差滤波算法 | 第108-111页 |
| 5.2 基于Huber非线性回归的迭代均差滤波算法 | 第111-119页 |
| 5.2.1 基于非线性回归和Huber的M-估计技术的均差滤波算法 | 第112-113页 |
| 5.2.2 比较与分析 | 第113-114页 |
| 5.2.3 仿真分析 | 第114-119页 |
| 5.3 本章小结 | 第119-121页 |
| 第六章 全文总结 | 第121-125页 |
| 6.1 全文工作总结 | 第121-123页 |
| 6.2 研究展望 | 第123-125页 |
| 参考文献 | 第125-139页 |
| 攻读博士学位期间已发表或录用的论文 | 第139-141页 |
| 攻读博士学位期间申请的专利 | 第141-143页 |
| 攻读博士学位期间所获奖励 | 第143-145页 |
| 攻读博士学位期间的审稿工作 | 第145-147页 |
| 致谢 | 第147-149页 |
