首页--航空、航天论文--航空论文--各类型航空器论文--无人驾驶飞机论文

数据融合技术在无人机中的应用

摘要第3-4页
Abstract第4页
第一章 绪论第8-12页
    1.1 研究背景及意义第8-9页
        1.1.1 无人机发展现状第8页
        1.1.2 传感器在无人机控制中的作用第8-9页
    1.2 数据融合技术的背景与发展第9-10页
        1.2.1 数据融合技术的背景第9-10页
        1.2.2 数据融合技术的发展现状第10页
    1.3 本课题的研究的内容和论文的安排第10-12页
第二章 无人机导航控制理论第12-21页
    2.1 高度概念第12-13页
        2.1.1 几种常用高度介绍第12-13页
        2.1.2 几种高度之间的关系第13页
    2.2 无人机的几个坐标系第13-16页
        2.2.1 地球中心坐标系(ECEF)第14-15页
        2.2.2 NED坐标系第15-16页
        2.2.3 机体坐标系第16页
    2.3 各坐标系之间的转换第16-19页
        2.3.1 无人机姿态控制第16-17页
        2.3.2 地球中心坐标系转换为NED坐标系第17-18页
        2.3.3 NED坐标系到机体坐标系下的变换第18页
        2.3.4 姿态角的四元素表示第18-19页
    2.4 小结第19-21页
第三章 多传感器测量技术第21-36页
    3.1 高度多传感器测量第21-30页
        3.1.1 大气数据计算机第21-25页
        3.1.2 无线电高度表第25-28页
        3.1.3 差分GPS第28-29页
        3.1.4 其他传感器简介第29-30页
    3.2 姿态角多传感器测量第30-35页
        3.2.1 垂直陀螺第30-32页
        3.2.2 航姿参考系统第32-35页
    3.3 本章小结第35-36页
第四章 数据融合技术第36-54页
    4.1 数据融合概述第36-39页
        4.1.1 数据融合的概念第36页
        4.1.2 数据融合的基本原理第36-37页
        4.1.3 数据融合检测系统结构模型第37-39页
    4.2 基于卡尔曼加权法的高度融合第39-45页
        4.2.1 加权平均法第39页
        4.2.2 归一化加权平均法第39-40页
        4.2.3 卡尔曼滤波第40-41页
        4.2.4 最优估计卡尔曼滤波第41页
        4.2.5 扩展卡尔曼线性滤波第41-45页
    4.3 基于BP神经网络的姿态角融合第45-53页
        4.3.1 人工神经网络的形成和发展第45-46页
        4.3.2 神经网络基础第46-49页
        4.3.3 BP神经网络的原理、结构及算法第49-52页
        4.3.4 基于BP网络的姿态角融合第52-53页
    4.4 本章小结第53-54页
第五章 数据融合技术在无人机上的应用第54-66页
    5.1 高度融合第54-58页
        5.1.1 高度数据融合技术结构设计和软件实现第54-55页
        5.1.2 基于卡尔曼加权法滤波的多传感器融合设计第55-56页
        5.1.3 高度融合数据分析第56-58页
    5.2 姿态角融合第58-65页
        5.2.1 姿态角融合算法分析第58-60页
        5.2.2 姿态角融合数据分析第60-65页
    5.3 本章小结第65-66页
第六章 总结与展望第66-68页
    6.1 总结第66页
    6.2 展望第66-68页
参考文献第68-71页
致谢第71-72页

论文共72页,点击 下载论文
上一篇:基于HOG的多特征融合行人检测跟踪系统
下一篇:场景划分GMM与背景替换HOG相结合的运动行人检测