| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-16页 |
| ·课题背景及其研究意义 | 第9-10页 |
| ·信息融合技术国内外发展与现状 | 第10-12页 |
| ·多传感器信息融合的概述 | 第12-15页 |
| ·多传感器信息融合的基本原理 | 第12-13页 |
| ·多传感器信息融合的定义 | 第13-14页 |
| ·多传感器信息融合的优点 | 第14-15页 |
| ·论文结构安排 | 第15-16页 |
| 2 多传感器信息融合基本理论 | 第16-25页 |
| ·多传感器信息融合系统的功能模型和结构模型 | 第16-19页 |
| ·信息融合的功能模型 | 第16页 |
| ·信息融合的结构模型 | 第16-17页 |
| ·信息融合的层次 | 第17-19页 |
| ·多传感器信息融合的方法 | 第19-20页 |
| ·卡尔曼滤波理论 | 第20-24页 |
| ·线性系统数学模型描述 | 第20-21页 |
| ·Kalman 滤波算法 | 第21-23页 |
| ·滤波算法稳健性分析 | 第23-24页 |
| ·分析滤波误差及滤波发散问题 | 第24页 |
| ·小结 | 第24-25页 |
| 3 基于 Kalman 滤波的多传感器融合算法 | 第25-38页 |
| ·基于信息融合理论的Kalman 滤波算法 | 第25-28页 |
| ·集中式卡尔曼滤波算法 | 第25-27页 |
| ·分布式卡尔曼滤波算法 | 第27-28页 |
| ·过程噪声为有色噪声的Kalman 滤波融合 | 第28-31页 |
| ·算法描述 | 第28-30页 |
| ·仿真实验 | 第30-31页 |
| ·观测噪声非白噪声时的Kalman 滤波算法 | 第31-34页 |
| ·多传感器动态系统算法描述 | 第31-32页 |
| ·实验仿真 | 第32-34页 |
| ·动态方程中过程噪声和观测噪声均为有色噪声的Kalman 滤波算法 | 第34页 |
| ·过程噪声与观测噪声相关时的Kalman 滤波算法 | 第34-37页 |
| ·算法描述 | 第34-35页 |
| ·实验仿真 | 第35-37页 |
| ·小结 | 第37-38页 |
| 4 基于 UKF 的信息融合滤波 | 第38-50页 |
| ·非线性系统中的滤波算法 | 第38-43页 |
| ·EKF 滤波原理与算法 | 第38-40页 |
| ·.UKF 算法原理 | 第40-43页 |
| ·基于UKF 的多传感器信息融合滤波 | 第43-49页 |
| ·基于UKF 的多传感器信息融合算法 | 第45-46页 |
| ·实验仿真 | 第46-49页 |
| ·小结 | 第49-50页 |
| 5 多传感器最优信息融合算法 | 第50-64页 |
| ·统一的线性融合模型 | 第50页 |
| ·统一的最优融合规则 | 第50-54页 |
| ·有完全先验知识的线性最小方差融合估计 | 第51页 |
| ·无先验知识的最优线性无偏估计 | 第51-52页 |
| ·有不完整先验知识的最优线性无偏估计融合 | 第52-53页 |
| ·最优加权最小二乘融合 | 第53-54页 |
| ·最优通用加权最小二乘融合 | 第54页 |
| ·多传感器线性最小方差最优信息融合准则 | 第54-59页 |
| ·按矩阵加权线性最小方差最优融合准则和算法 | 第54-56页 |
| ·按标量加权线性最小方差最优信息融合准则和算法 | 第56-58页 |
| ·按对角阵加权线性最小方差最优融合估计准则和算法 | 第58-59页 |
| ·修正加权最优信息融合估计算法 | 第59-61页 |
| ·仿真性能分析 | 第61-62页 |
| ·小结 | 第62-64页 |
| 6 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读学位期间本人公开发表的论文 | 第69-70页 |
| 致谢 | 第70页 |