摘要 | 第4-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-26页 |
1.1 课题来源及背景 | 第11-12页 |
1.2 课题研究目的和意义 | 第12页 |
1.2.1 课题研究目的 | 第12页 |
1.2.2 课题研究意义 | 第12页 |
1.3 国内外研究现状及发展趋势 | 第12-23页 |
1.3.1 组合导航系统研究现状 | 第13-16页 |
1.3.2 非线性滤波技术研究现状 | 第16-18页 |
1.3.3 智能信息融合技术研究现状 | 第18-23页 |
1.4 本文主要研究内容及结构安排 | 第23-26页 |
第2章 基于惯导数据剖面矢量分析的变形导弹导航机动辨识方法研究 | 第26-38页 |
2.1 引言 | 第26页 |
2.2 捷联式惯导系统建模 | 第26-32页 |
2.2.1 坐标系定义及其转换关系 | 第26-28页 |
2.2.2 捷联式惯导基本原理 | 第28-29页 |
2.2.3 捷联式惯导解算模型 | 第29-32页 |
2.3 全程导弹机动在线辨识算法研究 | 第32-34页 |
2.3.1 方法概述 | 第32-33页 |
2.3.2 数据剖面矢量值计算 | 第33-34页 |
2.4 基于惯导数据剖面矢量分析的变形导弹导航机动辨识仿真 | 第34-37页 |
2.5 本章小结 | 第37-38页 |
第3章 基于可用性分析的多源导航体制决策方法研究 | 第38-51页 |
3.1 引言 | 第38页 |
3.2 各导航体制特点及可用性分析 | 第38-41页 |
3.3 基于可用性分析的多源导航传感器决策算法 | 第41-45页 |
3.3.1 决策标准和流程 | 第41-42页 |
3.3.2 基于单一因素的传感器可用性决策 | 第42-45页 |
3.4 基于可用性分析的多源导航体制决策算法仿真 | 第45-50页 |
3.4.1 仿真工况<1> | 第45-47页 |
3.4.2 仿真工况<2> | 第47-50页 |
3.5 本章小结 | 第50-51页 |
第4章 基于ANFIS优化的自适应非线性滤波算法研究 | 第51-66页 |
4.1 引言 | 第51页 |
4.2 自适应网络模糊推理系统方法概述 | 第51-53页 |
4.2.1 人工神经网络技术概述 | 第51-52页 |
4.2.2 模糊技术概述 | 第52-53页 |
4.3 基于ANFIS优化的自适应非线性滤波算法研究 | 第53-57页 |
4.3.1 Kalman滤波的神经网络优化方法研究 | 第53-55页 |
4.3.2 ANFIS聚类方法研究 | 第55-57页 |
4.4 基于ANFIS优化的滤波修正算法设计 | 第57-58页 |
4.5 基于ANFIS优化的自适应非线性滤波算法仿真分析 | 第58-65页 |
4.6 本章小结 | 第65-66页 |
第5章 基于因子图贝叶斯估计的多源导航数据信息融合算法研究 | 第66-90页 |
5.1 引言 | 第66页 |
5.2 因子图原理概述 | 第66-74页 |
5.2.1 相关概念 | 第66-69页 |
5.2.2 因子图模型理论 | 第69-71页 |
5.2.3 基于因子图的信息融合方法设计 | 第71-74页 |
5.3 基于因子图贝叶斯估计的多源导航信息融合算法研究 | 第74-86页 |
5.3.1 多源导航数据融合运动估计的因子图模型表示 | 第74-77页 |
5.3.2 系统模型因子图数据结构 | 第77-79页 |
5.3.3 系统模型状态方程 | 第79-80页 |
5.3.4 系统模型量测方程 | 第80-84页 |
5.3.5 基于因子图的变形导弹自主导航信息融合算法 | 第84-86页 |
5.4 基于因子图的变形导弹自主导航信息融合算法仿真 | 第86-89页 |
5.5 本章小结 | 第89-90页 |
结论 | 第90-92页 |
参考文献 | 第92-100页 |
作者在学期间取得的学术成果 | 第100-102页 |
致谢 | 第102页 |