信息融合濾波理論及其應(yīng)用

緒論
0.1 最優(yōu)濾波的三種方法論
　O.2 自校正濾波
　0.3 多傳感器最優(yōu)信息融合濾波
　0.4 自校正信息融合濾波
　O.5 信息融合濾波理論內(nèi)容、方法、意義和關(guān)鍵技術(shù)
　參考文獻(xiàn)
第1章 模型參數(shù)和噪聲方差估計(jì)
　1.1 引言
　1.2 多維ARMA模型
　1.3 狀態(tài)空間模型
　1.4 求多維MA模型參數(shù)的Gevers—Wouters算法
　1.5 用Gevers—Wouters算法構(gòu)造.ARMA新息模型
　1.6 遞推最小二乘(RLS)法
　1.7 加權(quán)最小二乘(WLS)法
　1.8 遞推增廣最小二乘(RELS)算法
　1.9 多重RLS算法
　1.10 多維RLS算法
　1.1l 多重和多維RELS算法
　1.12 偏差補(bǔ)償RLS算法
　1.13 遞推輔助變量(RIV)算法
　1.14 基于ARMA新息模型的噪聲方差陣Q和R的估計(jì)
　1.15 基于相關(guān)方法的噪聲方差陣Q和R的估計(jì)
　參考文獻(xiàn)
第2章 經(jīng)典Kalman濾波
　2.1 引言
　2.2 射影理論
　2.3 Kalman濾波器和預(yù)報(bào)器
　2.4 Kalman平滑器
　2.5 白噪聲估值器及其在信號(hào)處理中的應(yīng)用
　2.6 穩(wěn)態(tài)Kalman濾波
　2.7 帶相關(guān)噪聲時(shí)變系統(tǒng)最優(yōu)Kalman濾波和最優(yōu)白噪聲估值器
　2.8 帶相關(guān)噪聲定常系統(tǒng)穩(wěn)態(tài)Kalman濾波和穩(wěn)態(tài)白噪聲估值器
　2.9 基于Kalman濾波的時(shí)域Wiener濾波方法
　參考文獻(xiàn)
第3章 現(xiàn)代時(shí)間序列分析方法及其應(yīng)用
　3.1 引言
　3.2 統(tǒng)一的穩(wěn)態(tài)最優(yōu)白噪聲估計(jì)理論
　3.3 Astrom預(yù)報(bào)器和Box-Jenkins預(yù)報(bào)器
　3.4 多通道ARMA信號(hào)Wiener濾波器
　3.5 基于ARMA新息模型的穩(wěn)態(tài)Kalman濾波和Wiener濾波
　3.6 統(tǒng)一的Wiener狀態(tài)濾波器
　3.7 廣義系統(tǒng)Wiener狀態(tài)估值器
　3.8 廣義系統(tǒng)降階Wiener狀態(tài)估值器
　3.9 ARMA新息模型與狀態(tài)空間新息模型關(guān)系
　參考文獻(xiàn)
第4章 自校正濾波理論及其應(yīng)用
　4.1 引言
　4.2 自校正Kalman估值器及其收斂性
　4.3 自校正白噪聲估值器及其收斂性
　4.4 ARMA信號(hào)自校正濾波器和平滑器及其收斂性
　4.5 基于Riccati方程的自校正Kalman濾波器
　參考文獻(xiàn)
第5章 基于經(jīng)典Kalman濾波的分布式最優(yōu)信息融合濾波理論
　5.1 三種加權(quán)多傳感器最優(yōu)信息融合準(zhǔn)則
　5.2 時(shí)變系統(tǒng)多傳感器信息融合Kalman估值器
　5.3 時(shí)變系統(tǒng)多傳感器信息融合白噪聲估值器
　5.4 定常系統(tǒng)多傳感器信息融合穩(wěn)態(tài)Kalman估值器和白噪聲估值器
　5.5 帶不同局部動(dòng)態(tài)模型的時(shí)變系統(tǒng)信息融合Kalman估值器
　5.6 帶不同局部模型的定常系統(tǒng)信息融合穩(wěn)態(tài)Kalman估值器
　5.7 帶不同局部模型的多傳感器時(shí)變和定常系統(tǒng)最優(yōu)信息融合白噪聲反卷積估值器
　5.8 帶有色觀測(cè)噪聲的ARMA信號(hào)信息融合Wiener濾波器
　參考文獻(xiàn)
第6章 基于經(jīng)典Kalman濾波的全局最優(yōu)觀測(cè)融合濾波理論及其應(yīng)用
　6.1 引言
　6.2 在信息濾波器形式下的Kalman濾波器
　6.3 帶相同觀測(cè)陣和不相關(guān)觀測(cè)噪聲的一種加權(quán)觀測(cè)融合Kalman濾波器的功能等價(jià)性
　6.4 帶不同觀測(cè)陣和不相關(guān)觀測(cè)噪聲的兩種加權(quán)觀測(cè)融合Kalman濾波算法的功能等價(jià)性
　6.5 帶相同觀測(cè)陣和相關(guān)觀測(cè)噪聲的兩種加權(quán)觀測(cè)融合Kalman濾波算法
　6.6 帶不同觀測(cè)陣和相關(guān)觀測(cè)噪聲的兩種加權(quán)觀測(cè)融合Kalman濾波算法
　6.7 應(yīng)用于多傳感器加權(quán)觀測(cè)融合信號(hào)估計(jì)問(wèn)題
　6.8 帶相同觀測(cè)陣和相關(guān)噪聲的加權(quán)觀測(cè)融合Kalman濾波算法
　參考文獻(xiàn)
第7章 基于現(xiàn)代時(shí)間序列分析方法的分布式最優(yōu)信息融合濾波理論
　7.1 帶不同局部模型多傳感器系統(tǒng)信息融合白噪聲反卷積估值器
　7.2 多傳感器多通道ARMA信號(hào)信息融合Wiener濾波器
　7.3 多傳感器信息融合Wiener狀態(tài)估值器
　7.4 基于ARMA新息模型的穩(wěn)態(tài)Kalman融合器和白噪聲反卷積融合器
　7.5 帶多層融合結(jié)構(gòu)的廣義系統(tǒng)解耦Kalman融合器
　7.6 廣義系統(tǒng)Wiener狀態(tài)融合器
　參考文獻(xiàn)
第8章 自校正信息融合濾波理論
　8.1 引言
　8.2 自校正解耦融合Kalman估值器和Wiener狀態(tài)估值器及收斂性分析
　8.3 基于Riccati方程的自校正融合Kalman估值器及收斂性
　8.4 自校正加權(quán)觀測(cè)融合Kalman濾波器及收斂性
　8.5 基于MA新息模型的自校正觀測(cè)融合Kalman估值器及其收斂性
　參考文獻(xiàn)