| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 GPS/INS组合导航系统研究意义及发展 | 第11-12页 |
| 1.3 人工神经网络的发展及在GPS/INS中的应用现状 | 第12-14页 |
| 1.4 论文研究内容及章节安排 | 第14-16页 |
| 第二章 GPS/INS组合导航基本理论 | 第16-32页 |
| 2.1 惯性导航系统(INS) | 第16-25页 |
| 2.1.1 惯性导航系统简介 | 第16-17页 |
| 2.1.2 惯性导航系统参数 | 第17-18页 |
| 2.1.3 惯性导航常用坐标系 | 第18-19页 |
| 2.1.4 惯性导航系统的定位原理及解算算法 | 第19-22页 |
| 2.1.5 惯性导航系统仿真原理 | 第22-25页 |
| 2.2 全球定位系统(GPS) | 第25-28页 |
| 2.2.1 GPS组成 | 第25-27页 |
| 2.2.2 GPS定位原理 | 第27页 |
| 2.2.3 GPS导航系统的特点 | 第27-28页 |
| 2.3 GPS/INS组合导航 | 第28-30页 |
| 2.3.1 组合导航系统融合 | 第28-29页 |
| 2.3.2 GPS/INS组合导航系统耦合方式 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 人工神经网络在GPS/INS组合导航中的应用 | 第32-48页 |
| 3.1 人工神经网络概述 | 第32-36页 |
| 3.1.1 人工神经网络的特点 | 第32-33页 |
| 3.1.2 人工神经网络分类 | 第33-34页 |
| 3.1.3 神经网络常用激活函数 | 第34-35页 |
| 3.1.4 神经网络的能力评价 | 第35-36页 |
| 3.2 BP神经网络介绍及其特点 | 第36-42页 |
| 3.2.1 BP神经网络原理 | 第36-38页 |
| 3.2.2 BP神经网络的特点 | 第38-39页 |
| 3.2.3 改进的基于L-M贝叶斯正则化BP神经网络算法 | 第39-42页 |
| 3.3 粒子群优化BP神经网络 | 第42-46页 |
| 3.3.1 粒子群算法概述 | 第42-43页 |
| 3.3.2 粒子群算法原理 | 第43页 |
| 3.3.3 粒子群改进算法的原理 | 第43-45页 |
| 3.3.4 改进的PSO-BP神经网络混合算法 | 第45-46页 |
| 3.4 人工神经网络在GPS/INS组合导航中的应用 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于改进BP神经网络的INS误差预测模型 | 第48-60页 |
| 4.1 基于BP神经网络的INS误差预测模型建立 | 第48-51页 |
| 4.1.1 BP神经网络的构建 | 第48-50页 |
| 4.1.2 建立训练样本数据库 | 第50页 |
| 4.1.3 数据的预处理和后处理 | 第50-51页 |
| 4.2 基于L-M贝叶斯正则化神经网络的INS误差预测 | 第51-53页 |
| 4.3 基于MPSO-BP神经网络的INS误差预测 | 第53-58页 |
| 4.3.1 MPSO算法设计 | 第54-55页 |
| 4.3.2 基于MPSO-BP神经网络的INS误差预测模型流程 | 第55-56页 |
| 4.3.3 PSO和MPSO算法对比 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 实验仿真及结果分析 | 第60-70页 |
| 5.1 惯性导航系统仿真 | 第60-62页 |
| 5.1.1 飞机轨迹发生器仿真 | 第60-61页 |
| 5.1.2 惯性导航系统仿真 | 第61-62页 |
| 5.2 GPS数据仿真器 | 第62-63页 |
| 5.3 改进BP神经网络预测INS误差仿真实验 | 第63-68页 |
| 5.4 本章小结 | 第68-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间取得的学术成果 | 第78-80页 |
| 致谢 | 第80页 |
