神经网络辅助的GNSS/SINS超紧组合导航系统研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 组合导航系统研究现状 | 第11-14页 |
| 1.2.1 GNSS系统发展及应用 | 第11-12页 |
| 1.2.2 SINS导航系统概述 | 第12-13页 |
| 1.2.3 超紧组合导航系统发展现状 | 第13-14页 |
| 1.3 人工神经网络研究现状 | 第14-15页 |
| 1.3.1 人工神经网络发展简史 | 第14页 |
| 1.3.2 神经网络在组合导航数据融合中研究现状 | 第14-15页 |
| 1.4 论文的主要内容 | 第15-16页 |
| 第2章 全球定位系统与捷联式惯性导航系统 | 第16-25页 |
| 2.1 导航中常用的参考坐标系 | 第16-17页 |
| 2.2 捷联式惯性导航系统 | 第17-20页 |
| 2.2.1 SINS工作原理 | 第17-18页 |
| 2.2.2 SINS仿真模型 | 第18-20页 |
| 2.3 全球卫星导航系统 | 第20-24页 |
| 2.3.1 GPS工作原理 | 第20-21页 |
| 2.3.2 GPS伪距测距原理 | 第21-22页 |
| 2.3.3 GPS信号的捕获和跟踪过程 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 径向基函数神经网络 | 第25-35页 |
| 3.1 人工神经网络概述 | 第25-28页 |
| 3.1.1 人工神经元特性 | 第25-26页 |
| 3.1.2 人工神经网络训练过程 | 第26-28页 |
| 3.2 BPNN基本原理 | 第28-30页 |
| 3.3 RBFNN基本原理 | 第30-32页 |
| 3.4 RBFNN与BPNN的比较 | 第32页 |
| 3.5 RBFNN与BPNN非线性逼近性能仿真 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 超紧组合模型与非线性滤波算法研究 | 第35-52页 |
| 4.1 SINS辅助GPS超紧组合结构 | 第35-36页 |
| 4.2 矢量跟踪的超紧组合结构 | 第36-40页 |
| 4.2.1 载体运动参数与I、Q信号的关系推导 | 第36-38页 |
| 4.2.2 集中式滤波的超紧组合结构研究 | 第38-39页 |
| 4.2.3 级联式滤波的超紧组合结构研究 | 第39-40页 |
| 4.3 组合导航滤波算法研究 | 第40-47页 |
| 4.3.1 卡尔曼滤波算法 | 第41-42页 |
| 4.3.2 扩展卡尔曼滤波 | 第42-44页 |
| 4.3.3 无迹卡尔曼滤波 | 第44-47页 |
| 4.4 RBFNN辅助的自适应UKF算法 | 第47-49页 |
| 4.4.1 UKF滤波稳定性分析 | 第47-48页 |
| 4.4.2 RBFNN辅助的UKF算法 | 第48-49页 |
| 4.5 三种非线性滤波算法比较 | 第49-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第5章 RBFNN辅助的超紧组合系统的设计 | 第52-67页 |
| 5.1 神经网络辅助的超紧组合导航系统设计 | 第52-54页 |
| 5.1.1 神经网络辅助的超紧组合结构设计 | 第52-53页 |
| 5.1.2 神经网络训练设计 | 第53-54页 |
| 5.2 级联式超紧组合系统信息融合方法设计 | 第54-58页 |
| 5.2.1 子滤波器系统信息融合 | 第54-56页 |
| 5.2.2 主滤波器系统信息融合 | 第56-58页 |
| 5.3 超紧组合导航仿真设计与结果分析 | 第58-66页 |
| 5.3.1 仿真设计 | 第59-62页 |
| 5.3.2 结果分析 | 第62-66页 |
| 5.4 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
