| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 凸优化研究综述 | 第15-18页 |
| 1.2.1 最优化问题 | 第15-16页 |
| 1.2.2 凸优化问题 | 第16-18页 |
| 1.3 支持向量机研究综述 | 第18-20页 |
| 1.4 多传感器数据融合研究综述 | 第20-21页 |
| 1.5 本文主要研究内容 | 第21-22页 |
| 第2章 基于凸优化的数据融合方法 | 第22-34页 |
| 2.1 引言 | 第22页 |
| 2.2 凸分析与凸优化 | 第22-25页 |
| 2.2.1 凸分析定义 | 第22-24页 |
| 2.2.2 凸优化问题 | 第24-25页 |
| 2.3 凸优化的对偶理论 | 第25-28页 |
| 2.3.1 Lagrange对偶函数 | 第26-27页 |
| 2.3.2 Wolfe对偶 | 第27-28页 |
| 2.4 凸优化的最优性条件 | 第28-30页 |
| 2.4.1 局部最优性条件 | 第28-30页 |
| 2.4.2 全局最优性条件 | 第30页 |
| 2.5 凸优化在组合与滤波中的应用 | 第30-33页 |
| 2.5.1 基于凸线性组合的数据融合方法 | 第30-32页 |
| 2.5.2 基于凸优化的函数逼近 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于凸二次规划的非线性滤波 | 第34-65页 |
| 3.1 引言 | 第34页 |
| 3.2 导航系统中的滤波方法 | 第34-44页 |
| 3.2.1 Kalman滤波算法 | 第35-38页 |
| 3.2.2 扩展卡尔曼滤波算法 | 第38-40页 |
| 3.2.3 Unscented卡尔曼滤波算法 | 第40-44页 |
| 3.3 统计学习理论的核心内容 | 第44-48页 |
| 3.3.1 学习过程的一致性 | 第44-45页 |
| 3.3.2 VC维 | 第45-46页 |
| 3.3.3 结构风险最小化 | 第46-48页 |
| 3.4 支持向量机 | 第48-54页 |
| 3.4.1 最优分类超平面 | 第49-50页 |
| 3.4.2 线性支持向量机 | 第50-53页 |
| 3.4.3 核函数 | 第53-54页 |
| 3.5 最小二乘支持向量回归机 | 第54-61页 |
| 3.5.1 支持向量回归机(SVR) | 第54-55页 |
| 3.5.2 非线性支持向量回归机 | 第55-56页 |
| 3.5.3 最小二乘支持向量回归机（LSSVR） | 第56-58页 |
| 3.5.4 最小二乘支持向量回归非线性滤波 | 第58-59页 |
| 3.5.5 在线最小二乘支持向量机 | 第59-61页 |
| 3.6 算法仿真及分析 | 第61-64页 |
| 3.7 本章小结 | 第64-65页 |
| 第4章 基于凸线性组合LS-SVR的捷联惯导初始对准 | 第65-79页 |
| 4.1 引言 | 第65页 |
| 4.2 捷联系统初始对准误差分析 | 第65-71页 |
| 4.2.1 导航常用坐标系定义 | 第65-66页 |
| 4.2.2 速度误差方程 | 第66-67页 |
| 4.2.3 姿态误差方程 | 第67-69页 |
| 4.2.4 静基座初始对准的误差模型 | 第69-70页 |
| 4.2.5 解析式粗对准 | 第70-71页 |
| 4.3 Kalman滤波精对准 | 第71-74页 |
| 4.4 凸线性组合支持向量机 | 第74-76页 |
| 4.4.1 组合支持向量机模型 | 第74页 |
| 4.4.2 凸线性组合支持向量机 | 第74-75页 |
| 4.4.3 基于凸线性组合支持向量机的初始对准方法 | 第75-76页 |
| 4.5 算法仿真及分析 | 第76-78页 |
| 4.6 本章小结 | 第78-79页 |
| 第5章 基于凸优化的多传感器组合导航算法 | 第79-112页 |
| 5.1 引言 | 第79-80页 |
| 5.2 组合导航系统中的信息融合 | 第80-94页 |
| 5.2.1 捷联惯性导航系统 | 第81-85页 |
| 5.2.2 Kalman滤波器的结构 | 第85-89页 |
| 5.2.3 组合导航系统 | 第89-93页 |
| 5.2.4 组合导航系统的建模 | 第93-94页 |
| 5.3 基于凸优化方法优化信息分配因子的自适应联合卡尔曼滤 | 第94-101页 |
| 5.3.1 基于联合UKF的组合导航方法 | 第94-95页 |
| 5.3.2 基于凸优化的自适应联合滤波方法 | 第95-97页 |
| 5.3.3 算法仿真及分析 | 第97-101页 |
| 5.4 基于多模型自适应滤波算法 | 第101-111页 |
| 5.4.1 基于不同局部模型的联合滤波算法 | 第101-103页 |
| 5.4.2 基于多模型自适应联合滤波算法 | 第103-104页 |
| 5.4.3 基于凸优化多模型自适应滤波的组合导航方法 | 第104-105页 |
| 5.4.4 基于凸优化的自适应H2/H∞组合导航方法 | 第105-108页 |
| 5.4.5 算法仿真及分析 | 第108-111页 |
| 5.5 本章小结 | 第111-112页 |
| 结论 | 第112-114页 |
| 参考文献 | 第114-126页 |
| 攻读博士学位期间发表的学术论文 | 第126-128页 |
| 致谢 | 第128-129页 |
| 个人简历 | 第129页 |
