多传感器最优估计理论及其应用

《多传感器*优估计理论及其应用》是关于多传感器数据融合*优估计理论及其应用的一部专著，主要汇集了作者近十几年来在多传感器数据融合、多速率系统滤披、*优估计理论、组合导航等方面的代表性研究成果。《多传感器*优估计理论及其应用》涉及的理论和方法有: Kalman 滤波及其各种改进算法，异步多速率线性系统、非线性系统的滤波与融合方法，观测数据存在不可靠、随机丢包等故障条件下的数据融合状态估计方法，噪声相关环境下的数据融合方法，以及对上述各种情况鲁棒的组合导航算法等。

目录
前言
第1章 绪论 1
1.1 背景与意义 1
1.2 多传感器数据融合的体系结构 2
1.2.1 多传感器数据融合的定义 2
1.2.2 多传感器数据融合的原理与体系结构 3
1.2.3 多传感器数据融合的优缺点 7
1.3 多传感器数据融合估计算法分类综述 8
1.3.1 采样率系统 9
1.3.2 单采样率多传感器数据融合状态估计算法 11
1.3.3 多采样率多传感器数据融合状态估计算法 14
1.3.4 异步多传感器数据融合估计算法 19
1.3.5 噪声相关环境下的数据融合估计算法 20
1.3.6 网络环境下的滤波和融合问题 22
1.3.7 非线性系统数据融合估计算法 27
1.4 组合导航系统与方法概述 30
1.5 当前研究热点、难点与未来的研究方向 33
1.6 本书的主要内容及章节安排 34
1.7 本章小结 35
第2章 随机离散动态系统的Kalman滤波 36
2.1 问题的提出 36
2.2 *优均方估计 37
2.2.1 *优均方估计的定义 37
2.2.2 绒性*优均方估计 38
2.3 Kalman*优滤波基本方程 40
2.3.1 系统描述 40
2.3.2 离散时间Kalman滤波基本方程 42
2.3.3 离散时间Kalman滤波基本方程的直观推导 44
2.3.4 离散时间Kalman滤波基本方程的投影法证明 48
2.4 Kalman*优预测基本方程 52
2.4.1 状态的预测估计 52
2.4.2 状态预测估计的修正 53
2.4.3 *优增益阵 54
2.4.4 误差的无偏性及误差方差阵 55
2.4.5 离散系统Kalman*优预测基本方程 56
2.5 Kalman*优平滑基本方程 57
2.5.1 固定区间*优平滑 58
2.5.2 固定点*优平滑 58
2.5.3 固定滞后*优平滑 60
2.6 扩展Kalman滤波 61
2.6.1 围绕标称轨道线性化滤波方法 62
2.6.2 围绕滤波值线性化滤波方法 65
2.7 本章小结 67
第3章 变速率非均匀采样系统的Kalman滤波 68
3.1 引言 68
3.2 问题描述 68
3.3 非均匀采样系统的Kalman滤波算法 70
3.4 算法性能分析 78
3.5 仿真实例 80
3.6 本章小结 83
第4章 多尺度Kalman滤波及基于多尺度测量预处理的数据融合 84
4.1 引言 84
4.2 小波分析概述 85
4.2.1 小波变换的定义与基本性质 85
4.2.2 多尺度分析 88
4.2.3 Mallat算法 92
4.3 多尺度Kalman滤波 96
4.4 基于多尺度测量预处理的数据融合 100
4.4.1 系统描述 100
4.4.2 信号的多尺度表示 101
4.4.3 基于小波变换的多尺度测量预处理 102
4.4.4 基于多传感器多尺度测量预处理的信号去噪方法 103
4.5 仿真实例 104
4.6 本章小结 107
第5章 基于线性系统的多速率传感器数据融合估计 108
5.1 引言 108
5.2 问题描述 108
5.3 线性动态系统的多速率多传感器数据融合估计 110
5.3.1 基于状态分块的融合估计算法 110
5.3.2 两种分布式数据融合状态估计算法 114
5.4 仿真实例 121
5.5 本章小结 124
第6章 随机丢包情况下多速率传感器鲁棒融合估计 125
6.1 引言 125
6.2 问题描述 125
6.3 基于不完全观测数据的多速率传感器融合估计算法 126
6.3.1 模型约简 126
6.3.2 融合算法 130
6.4 仿真实例 131
6.5 本章小结 136
第7章 时不变线性系统的异步多速率传感器数据融合估计 137
7.1 引言 137
7.2 问题描述 138
7.3 尺度递归融合估计算法 139
7.3.1 多尺度状态空间模型 139
7.3.2 尺度递归状态融合估计算法 141
7.4 基于混合式结构的融合估计算法 150
7.5 两种分布式融合估计算法 155
7.5.1 递归朕邦分布式融合估计 156
7.5.2 有反馈分布式融合估计 160
7.6 仿真实例 164
7.6.1 尺度递归融合估计算法仿真 164
7.6.2 混合式融合估计算法仿真 168
7.6.3 分布式融合估计算法仿真 170
7.7 本章小结 175
第8章 时不变系统异步多速率间歇数据的鲁棒融合估计 176
8.1 引言 176
8.2 问题描述 176
8.3 随机丢包下的异步多速率传感器数据融合算法 177
8.4 仿真实例 188
8.4.1 圆周运动的机动目标跟踪 188
8.4.2 目标跟踪系统的状态估计 192
8.5 本章小结 196
第9章 时变线性系统的异步多速率传感器数据融合估计 197
9.1 引言 197
9.2 问题描述 197
9.3 基于速率归一化和联邦Kalman滤波的分布式融合估计 198
9.3.1 异步多速率系统的速率归一化数学建模 199
9.3.2 基于联邦Kalman滤波的数据融合估计 203
9.4 异步多速率数据的顺序式融合估计-205
9.5 仿真实例 211
9.5.1 基于联邦Kalman滤波的融合估计算法仿真 211
9.5.2 顺序式融合估计算法仿真 217
9.6 本章小结 219
第10章 异步多速率传感器线性系统的建模与容错融合估计 220
10.1 引言 220
10.2 问题描述 222
10.3 *优状态估计算法 223
10.3.1 异步多速率多传感器系统建模 223
10.3.2 无故障情况下的数据融合估计 226
10.3.3 存在不可靠观测情况T的状态容错融合估计算法 229
10.4 状态容错融合估计算法的性能分析 230
10.5 仿真实例 233
10.6 本章小结 241
第11章 相关噪声环境下的多传感器数据融合 243
11.1 引言 243
11.2 问题描述 243
11.3 *优融合算法 244
11.3.1 *优集中式融合 244
11.3.2 *优顺序式融合 244
11.3.3 *优分布式融合 247
11.4 仿真实例 251
11.5 本章小结 255
第12章 相关噪声环境下多速率传感器融合估计 257
12.1 引言 257
12.2 问题描述 258
12.3 序贯式融合估计算法 259
12.4 分布式融合估计算法 267
12.5 仿真实例 274
12.5.1 序贯式融合估计算法仿真 274
12.5.2 分布式融合估计算法仿真 278
12.6 本章小结 282
第13章 噪声统计特性未知情况下的多源信息融合估计 283
13.1 引言 283
13.2 相关多源信息融合估计算法简述 283
13.2.1 广义凸组合融合算法 283
13.2.2 基于集合论的松弛切比雪夫中心协方差交叉算法 286
13.2.3 基于信息论的快速协方差交叉算法 288
13.2.4 容错广义凸组合融合算法 292
13.3 两种改进的多源信息融合估计算法 296
13.3.1 改进的松弛切比雪夫协方差交叉融合算法 296
13.3.2 改进的快速协方差交叉算法 298
13.4 仿真实例 299
13.4.1 Kalman滤波算法得到局部估计值 299
13.4.2 RCC-CI、IT-FCI，DCI仿真分析 300
13.4.3 FGCC、CI/CU仿真分析 305
13.4.4 改进算法的仿真分析 308
13.5 本章小结 310
第14章 非线性系统异步多速率传感器数据融合估计 312
14.1 引言 312
14.2 问题描述 313
14.3 状态融合估计算法 314
14.3.1 基于SPKF方法估计非线性时变系统的状态 315
14.3.2 基于STF方法估计非线性时变系统的状态 320
14.3.3 非线性系统状态估计新算法：SPSTF 324
14.4 仿真实例 331
14.5 本章小结 339
第15章 非线性系统异步多速率传感器数据容错融合估计 340
15.1 引言 340
15.2 问题描述 341
15.3 异步多速率传感器数据容错融合估计算法 342
15.4 仿真实例 348
15.5 本章小结 356
第16章 多传感器*优估计理论在导航系统中的应用 357
16.1 引言 357
16.2 组合导航系统模型 357
16.3 多速率系统的鲁棒Kalman滤波及在导航系统中的应用 361
16.4 仿真实例 365
16.5 本章小结 367
参考文献 368