| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-17页 |
| 1.1 研究背景 | 第7-9页 |
| 1.2 无人机的结构以及应用范围 | 第9-10页 |
| 1.3 数据融合技术概述 | 第10-16页 |
| 1.3.1 数据融合的产生背景 | 第10-11页 |
| 1.3.2 数据融合的原理 | 第11-12页 |
| 1.3.3 常用的数据融合方法 | 第12页 |
| 1.3.4 数据融合的分类 | 第12-13页 |
| 1.3.5 数据融合的应用领域 | 第13-15页 |
| 1.3.6 国内外的研究现状 | 第15-16页 |
| 1.4 论文的结构安排 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 Kalman滤波理论 | 第17-27页 |
| 2.1 Kalman 滤波理论应用背景 | 第17-18页 |
| 2.2 Kalman 滤波理论的发展及应用 | 第18页 |
| 2.3 随机线性系统 Kalman 滤波基本方程 | 第18-25页 |
| 2.3.1 随机线性离散系统的数学模型 | 第18-20页 |
| 2.3.2 随机线性离散系统的 Kalman 滤波的基本方程 | 第20-21页 |
| 2.3.3 Kalman 滤波的算法框图 | 第21-22页 |
| 2.3.4 随机线性离散系统 Kalman 滤波方程的直观推导 | 第22-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于 Kalman滤波的多传感器数据融合算法 | 第27-45页 |
| 3.1 多传感器信息融合系统的优点 | 第27-28页 |
| 3.2 基于 Kalman 滤波的信息融合算法 | 第28-32页 |
| 3.2.1 集中式 Kalman 滤波算法 | 第29-30页 |
| 3.2.2 分步式 Kalman 滤波算法 | 第30-31页 |
| 3.2.3 集中式融合算法与分布式融合算法比较 | 第31-32页 |
| 3.3 线性变换分布式融合算法 | 第32-37页 |
| 3.3.1 通用的线性动态模型 | 第32-33页 |
| 3.3.2 目前的三种分布式融合算法 | 第33-34页 |
| 3.3.3 测量方程变换 | 第34-36页 |
| 3.3.4 线性压缩变换分布式融合算法 | 第36-37页 |
| 3.4 加权平均线性变换分布式融合算法及仿真 | 第37-42页 |
| 3.5 本章小结 | 第42-45页 |
| 第四章 基于自适应扩展 Kalman滤波的无人机跟踪 | 第45-55页 |
| 4.1 无人机跟踪的特点 | 第45-46页 |
| 4.2 基于自适应扩展 Kalman 滤波的目标跟踪 | 第46-53页 |
| 4.2.1 扩展卡尔曼滤波方程 | 第46-47页 |
| 4.2.2 非零均值相关加速度模型 | 第47-49页 |
| 4.2.3 自适应扩展 Kalman 滤波算法仿真 | 第49-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第五章 结束语 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-62页 |
