第1章 绪论 | 第1-20页 |
1.1 引言 | 第8-9页 |
1.2 数据融合技术国内外研究现状和存在的问题 | 第9-13页 |
1.2.1 信息融合系统结构 | 第9-11页 |
1.2.2 信息融合方法 | 第11-13页 |
1.3 故障检测方法综述 | 第13-18页 |
1.3.1 基于数学模型的故障诊断方法 | 第14-15页 |
1.3.2 基于人工智能的故障诊断方法 | 第15-17页 |
1.3.3 船舶组合导航系统中的故障检测方法 | 第17-18页 |
1.4 本课题的研究目的及所作的工作 | 第18-20页 |
第2章 卡尔曼滤波和联邦滤波算法 | 第20-32页 |
2.1 卡尔曼滤波算法概述 | 第20-23页 |
2.1.1 卡尔曼滤波基本方程 | 第20-22页 |
2.1.2 卡尔曼滤波的特点 | 第22-23页 |
2.2 联邦滤波器理论 | 第23-31页 |
2.2.1 联邦滤波器的一般结构 | 第23-24页 |
2.2.2 联邦滤波器基本方程 | 第24-25页 |
2.2.3 联邦滤波器的工作流程和四个过程 | 第25-28页 |
2.2.4 联邦滤波器的四种结构 | 第28-30页 |
2.2.5 联邦滤波器的容错性分析 | 第30-31页 |
2.3 本章小结 | 第31-32页 |
第3章 DR/GPS/劳兰C船舶组导系统研究 | 第32-57页 |
3.1 引言 | 第32页 |
3.2 DR(船位推算) | 第32-33页 |
3.3 GPS导航系统 | 第33-38页 |
3.3.1 GPS系统组成 | 第33-34页 |
3.3.2 GPS定位原理 | 第34-36页 |
3.3.3 GPS导航系统的特点 | 第36-37页 |
3.3.4 GPS导航系统的误差分析 | 第37-38页 |
3.4 劳兰C导航系统 | 第38-40页 |
3.4.1 双曲线导航的基本原理 | 第38-39页 |
3.4.2 双曲线导航的特点 | 第39页 |
3.4.3 劳兰C导航系统的误差分析 | 第39-40页 |
3.5 DR/GPS/劳兰C船舶组合导航系统数学模型 | 第40-46页 |
3.5.1 状态方程的建立 | 第40-44页 |
3.5.2 DR/GPS船舶组合子系统量测方程 | 第44-46页 |
3.5.3 DR/劳兰C船舶组合子系统量测方程 | 第46页 |
3.6 DR/GPS/劳兰C组合导航系统仿真 | 第46-56页 |
3.6.1 DR系统仿真 | 第47-48页 |
3.6.2 DR/GPS组合卡尔曼滤波仿真 | 第48-50页 |
3.6.3 DR/劳兰C组合卡尔曼滤波仿真 | 第50-52页 |
3.6.4 DR/GPS/劳兰C组合联邦滤波仿真 | 第52-56页 |
3.6.5 仿真结果分析 | 第56页 |
3.7 本章小结 | 第56-57页 |
第4章 船舶组合导航系统故障检测 | 第57-70页 |
4.1 船舶组合导航系统中的故障检测方法 | 第57-65页 |
4.1.1 问题描述 | 第57-58页 |
4.1.2 卡尔曼滤波中的状态x~2检验法 | 第58-61页 |
4.1.3 卡尔曼滤波中的残差x~2检验法 | 第61-62页 |
4.1.4 联邦滤波中的状态x~2检验法 | 第62-64页 |
4.1.5 x~2检验法的几种改善措施 | 第64-65页 |
4.2 船舶组合导航系统故障检测与分析 | 第65-69页 |
4.2.1 故障对DR/GPS/劳兰C系统性能的影响 | 第65-67页 |
4.2.2 x~2检验法故障检测 | 第67-69页 |
4.2.3 故障识别 | 第69页 |
4.3 本章小结 | 第69-70页 |
第5章 船舶组导系统故障识别的神经网络方法 | 第70-86页 |
5.1 BP网络 | 第70-79页 |
5.1.1 BP网络的结构及工作原理 | 第70-71页 |
5.1.2 BP算法的数学原理 | 第71-73页 |
5.1.3 BP网络的特点 | 第73-74页 |
5.1.4 BP学习算法 | 第74-76页 |
5.1.5 BP算法的改进 | 第76-78页 |
5.1.6 BP网络的设计考虑 | 第78-79页 |
5.2 船舶组导系统故障识别的神经网络方法 | 第79-85页 |
5.3 本章小结 | 第85-86页 |
结论 | 第86-87页 |
参考文献 | 第87-90页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第90-91页 |
致谢 | 第91-92页 |
附录 | 第92-98页 |