.2.2.6带确定控制项和量测偏差的卡尔曼滤波
2.2.7噪声相关的卡尔曼滤波
2.2.8有色噪声条件下的卡尔曼滤波
2.3卡尔曼滤波稳定性的判别和滤波发散的抑制
2.3.1稳定性的概念
2.3.2随机线性系统的可控性和可量测性
2.3.3卡尔曼滤波稳定性的判别
2.3.4卡尔曼滤波发散的原因及克服方法
2.3.5线性离散系统的ud分解滤波
2.4自适应卡尔曼滤波
2.4.1相关法自适应滤波
2.4.2sage-husa自适应卡尔曼滤波
2.4.3基于极大似然准则的自适应卡尔曼滤波
参考文献
第3章非线性系统最优滤波及次优滤波
3.1递推贝叶斯滤波
3.2非线性高斯系统最优滤波及次优滤波
3.2.1非线性高斯系统最优滤波
3.2.2非线性贝叶斯滤波所面临的挑战
3.2.3次优滤波
3.3非线性非高斯系统粒子滤波
参考文献
第4章扩展卡尔曼滤波与强跟踪滤波
4.1非线性离散系统扩展卡尔曼滤波器
4.2强跟踪滤波器(stf)简介
4.2.1stf的提出
4.2.2正交性原理
4.3带次优渐消因子的扩展卡尔曼滤波器(sfekf)
4.3.1最优渐消因子
4.3.2次优渐消因子
4.4带多重次优渐消因子的扩展卡尔曼滤波器(smfekf)
4.5相关噪声条件下的smfekf算法
4.6有色噪声干扰下的smfekf算法
4.6.1系统噪声为有色噪声而量测噪声为白噪声情况下的smfekf
4.6.2系统噪声为白噪声而量测噪声为有色噪声情况下的smfekf
参考文献
第5章sigma点卡尔曼滤波
5.1unscented卡尔曼滤波器(ukf)
5.1.1ut变换
5.1.2ut变换采样策略选择依据
5.1.3采样策略简介
5.1.4ut变换精度分析
5.1.5ukf实现
5.2中心差分卡尔曼滤波器(cdkf)
5.2.1stirling差值公式
5.2.2计算后验均值和协方差
5.2.3cdkf实现
5.2.4cdkf的sigma点表示
5.3平方根spkf
5.3.1平方根ukf
5.3.2平方根cdkf
5.4数值实例
5.4.1强非线性情况下ekf与ukf精度比较
5.4.2状态方程不连续情况下ekf与ukf精度比较
参考文献
第6章sigma点卡尔曼滤波技术新发展
6.1非线性高斯系统最优自适应滤波器
6.1.1常值噪声统计估计器
6.1.2无偏性分析
6.1.3时变噪声统计估计器
6.2带噪声统计估计器的spkf
6.2.1带噪声统计估计器的ukf
6.2.2带噪声统计估计器的cdkf
6.2.3数值实例
6.3强跟踪spkf
6.3.1强跟踪ukf
6.3.2强跟踪cdkf
6.4噪声相关条件下spkf
6.4.1噪声相关条件下非线性高斯系统最优滤波器
6.4.2噪声相关ukf
6.4.3噪声相关cdkf
参考文献
第7章粒子滤波
7.1蒙特卡罗方法
7.1.1蒙特卡罗积分基本原理
7.1.2蒙特卡罗积分的收敛性
7.1.3蒙特卡罗积分的实现步骤和特点
7.1.4三种蒙特卡罗采样方法
7.2序贯重要性采样
7.3退化问题与解决方法
7.3.1重要性权值的退化问题
7.3.2重要性密度函数的选择
7.3.3重采样算法
7.4标准粒子滤波算法
7.5数值实例
参考文献
第8章粒子滤波算法的优化
8.1粒子滤波存在的问题
8.2避免粒子贫化
8.2.1传统解决方法
8.2.2智能优化重采样策略
8.3降低计算复杂度
8.3.1边沿化滤波策略
8.3.2自适应粒子滤波
8.4优选重要性密度函数
8.4.1辅助粒子滤波
8.4.2扩展卡尔曼粒子滤波
8.4.3sigma点粒子滤波
8.4.4高斯采样粒子滤波
参考文献
第9章神经网络与滤波的结合及应用
9.1前馈神经网络基础
9.1.1人工神经网络的发展与应用
g.1.2神经元模型
9.1.3神经网络结构和学习规则
9.2bp神经网络及其算法
9.2.1bp神经网络
9.2.2bp算法
9.2.3bp神经网络的优缺点
9.3bp神经网络辅助ekf
9.3.1协方差匹配法
9.3.2bp神经网络用于辨识ekf噪声协方差
9.4ekf在径向基神经网络训练中的应用
9.4.1径向基神经网络
9.4.2基于梯度下降的径向基网络训练算法
9.4.3基于ekf的径向基网络训练算法
9.4.4解耦ekf训练算法
9.5基于ukf的神经网络训练方法及应用
9.5.1权值自适应调整的ukf训练方法
9.5.2ukf神经网络训练方法在全局信息融合中的应用
9.6hopfield神经网络数据关联滤波算法及应用
9.6.1联合概率数据关联滤波算法
9.6.2hopfield神经网络数据关联滤波算法
9.6.3hopfield神经网络在多目标跟踪中的应用
参考文献