文摘
英文文摘
标题
Contents
第1章 绪论
1.1 引言
1.2 估计问题的研究现状
1.2.1 Wiener滤波器的研究现状
1.2.2 Kalman滤波器的研究现状
1.2.3 基于现代时间序列分析方法的滤波理论研究现状
1.3 多传感器信息融合研究现状
1.3.1 多传感器信息融合的一般概念与意义
1.3.2 信息融合系统的模型和结构
1.3.3 多传感器信息融合的应用领域
1.3.4 多传感器信息融合研究现状
1.4 自校正信息融合滤波理论研究现状
1.5 最优和自校正多传感器观测融合滤波方法和算法研究目的和意义
1.6 论文主要研究内容和组织安排
1.6.1 主要研究内容
1.6.2 论文组织安排
第2章 多传感器模型参数和噪声统计的信息融合估值器
2.1 引言
2.2 信息融合噪声统计在线估值器
2.2.1 相关函数及其采样估值
2.2.2 未知噪声统计的在线估计
2.2.3 信息融合噪声统计估值器
2.2.4 估值器的强一致性
2.3 模型参数和噪声统计的信息融合两段在线估计方法
2.3.1 基本参数估计方法
2.3.2 未知模型参数和噪声统计的两段在线融合估计方法
2.4 模型参数和噪声统计的一种信息融合三段在线辨识方法
2.5 仿真例子
2.6 本章小结
第3章 线性无偏最小方差准则下的最优加权观测融合稳态Kalman滤波和Wiener滤波方法
3.1 引言
3.2 带相关观测噪声系统的加权观测融合稳态Kalman滤波和Wiener滤波算法
3.2.1 集中式观测融合Kalman滤波算法和Wiener滤波算法
3.2.2 基于加权观测融合算法(Ⅰ)的Kalman滤波和Wiener滤波算法
3.2.3 基于加权观测融合算法(Ⅱ)的Kalman滤波和Wiener滤波算法
3.2.4 基于最小二乘(WLS)算法的两种加权观测融合算法
3.2.5 基于稳态Kalman滤波的两种加权观测融合Wiener状态估值器
3.3 带相关噪声系统的加权观测融合Kalman滤波和Wiener滤波算法
3.3.1 集中式观测融合Kalman滤波算法和Wiener滤波算法
3.3.2 加权观测融合Kalman滤波算法和Wiener滤波算法
3.3.3 基于最小二乘(WLS)算法的加权观测融合算法
3.3.4 基于稳态Kalman滤波的加权观测融合Wiener状态估值器
3.4 带不同观测阵和相关观测噪声系统的降维观测融合算法
3.5 仿真例子
3.6 本章小结
第4章 未知噪声统计自校正加权观测融合Kalman滤波器和Wiener滤波器及其收敛性分析
4.1 引言
4.2 带相关观测噪声系统的自校正加权观测融合Kalman滤波和Wiener滤波算法
4.2.1 基于加权观测融合算法(Ⅰ)的自校正加权观测融合Kalman滤波和Wiener滤波算法1
4.2.2 基于加权观测融合算法(Ⅰ)的自校正加权观测融合Kalman滤波和Wiener滤波算法2
4.2.3 基于加权观测融合算法(Ⅱ)的自校正加权观测融合Kalman滤波和Wiener滤波算法1
4.2.4 基于加权观测融合算法(Ⅱ)的自校正加权观测融合Kalman滤波和Wiener滤波算法2
4.3 带相关噪声系统的自校正加权观测融合Kalman滤波和Wiener滤波算法
4.3.1 自校正加权观测融合Kalman滤波和Wiener滤波算法1
4.3.2 自校正加权观测融合Kalman滤波和Wiene滤波算法2
4.4 自校正降维观测融合Kalman滤波器和Wiener滤波器
4.5 仿真例子
4.6 本章小结
第5章 含未知模型参数和噪声统计的ARMA信号自校正加权观测融合Wiener滤波器
5.1 引言
5.2 带白色观测噪声的多传感器系统AR信号自校正观测融合滤波器
5.2.1 多传感器单通道AR信号最优观测融合Wiener滤波器
5.2.2 多传感器AR信号自校正加权观测融合Wiener滤波器
5.3 ARMA信号自校正观测融合Wiener滤波器
5.3.1 多传感器ARMA信号最优加权观测融合Wiener滤波器
5.3.2 多传感器ARMA信号自校正加权观测融合Wiener滤波器
5.4 仿真例子
5.5 本章小结
结论
参考文献
致谢
攻读博士学位期间所发表的学术论文