0去购物车结算
购物车中还没有商品,赶紧选购吧!
当前位置: 图书分类 > 教育/体育/文化/艺术 > 档案/图书馆 > 信息融合估计理论及其应用

浏览历史

信息融合估计理论及其应用


联系编辑
 
标题:
 
内容:
 
联系方式:
 
  
信息融合估计理论及其应用
  • 书号:9787030349408
    作者:邓自立
  • 外文书名:
  • 装帧:平装
    开本:B5
  • 页数:496
    字数:607
    语种:
  • 出版社:科学出版社
    出版时间:2012-06-29
  • 所属分类:G20 信息与传播理论
  • 定价: ¥80.00元
    售价: ¥63.20元
  • 图书介质:
    按需印刷 电子书

  • 购买数量: 件  缺货,请选择其他介质图书!
  • 商品总价:

相同系列
全选

内容介绍

样章试读

用户评论

全部咨询

本书用作者独创的现代时间序列分析方法和经典Kalman滤波方法系统地提出了最优融合估计、自校正融合估计和鲁棒融合估计的新理论、新方法和新算法,其中包括最优和自校正融合、集中式和分布式融合、状态融合和观测融合Kalman滤波和Wiener滤波理论,及协方差交叉融合鲁棒Kalman滤波理论,并给出了在目标跟踪系统中的仿真应用。
本书内容新颖,理论严谨,理论体系完整,并含有大量仿真例子,可作为高等学校控制科学与技术、电子科学与技术、通信与信息技术、计算机应用技术等有关专业研究生和高年级本科生的教材,且对信号处理、控制、通信、航天、导航、制导、目标跟踪、卫星测控、GPS定位、检测与估计、故障诊断、机器人、遥感、图像处理、多传感器信息融合等领域的研究人员和工程技术人员也有重要参考价值。
样章试读
  • 暂时还没有任何用户评论
总计 0 个记录,共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

  • 暂时还没有任何用户咨询内容
总计 0 个记录,共 1 页。 第一页 上一页 下一页 最末页
用户名: 匿名用户
E-mail:
咨询内容:

目录

  • 前言
    第1章 绪论
    1.1 多传感器信息融合产生的背景
    1.2 信息融合概念和定义
    1.3 估计理论的方法论
    1.3.1 Kalman滤波方法
    1.3.2 现代时间序列分析方法
    1.3.3 时域Wiener滤波方法
    1.3.4 系统辨识方法
    1.4 信息融合估计理论的分支和进展
    1.4.1 最优信息融合滤波理论
    1.4.2 信息融合系统辨识
    1.4.3 自校正信息融合滤波理论
    1.4.4 CI融合鲁棒信息融合滤波理论
    1.5 信息融合滤波的基本方法
    1.5.1 集中式融合与分布式融合方法
    1.5.2 状态融合与观测融合方法
    1.5.3 最优加权融合估计方法
    1.5.4 CI融合估计方法
    1.5.5 信息融合辨识方法
    1.5.6 自校正融合方法
    1.5.7 自校正融合滤波器的收敛性分析方法
    1.5.8 批处理、序贯处理和并行处理CI融合方法
    1.6 小结
    参考文献
    第2章 信息融合估计的基本方法
    2.1 最小二乘估计
    2.1.1 最小二乘估计原理
    2.1.2 一般最小二乘法估计公式推导及性质
    2.1.3 RLS估计
    2.2 WLS估计
    2.2.1 WLS估计原理
    2.2.2 一般WLS估计公式推导及性质
    2.3 LUMV估计
    2.3.1 LUMV估计原理
    2.3.2 LUMV估计及性质
    2.3.3 一般线性最小方差估计及性质
    2.4 三种加权最优融合估计
    2.4.1 按矩阵加权线性最小方差最优融合估计准则
    2.4.2 按标量加权线性最小方差最优融合估计准则
    2.4.3 按对角阵加权线性最小方差最优融合估计准则
    2.5 CI融合估计
    2.5.1 协方差椭圆及其性质
    2.5.2 CI融合估计的几何原理
    2.5.3 CI融合估值的一致性
    2.5.4 最优参数ω的选择
    2.5.5 CI融合估值的鲁棒性
    2.5.6 CI融合估值的精度分析
    2.5.7 CI融合估值与局部和三种加权融合估值的精度比较
    2.6 小结
    参考文献
    第3章 Kalman滤波
    3.1 引言
    3.2 状态空间模型与ARMA模型
    3.2.1 状态空间模型
    3.2.2 ARMA模型
    3.2.3 状态空间模型与ARMA模型的关系
    3.3 正交投影与新息序列
    3.4 Kalman滤波器、预报器和平滑器
    3.4.1 Kalman滤波器和预报器
    3.4.2 Kalman平滑器
    3.5 信息滤波器
    3.6 Kalman滤波的稳定性
    3.7 稳态Kalman滤波及其收敛性
    3.7.1 稳态Kalman滤波
    3.7.2 稳态Kalman滤波的收敛性
    3.7.3 稳态Kalman多步预报器和平滑器
    3.8 白噪声估值器
    3.9 基于Kalman滤波的时域Wiener滤波方法
    3.9.1 ARMA新息模型
    3.9.2 统一的Wiener状态估值器
    3.9.3 状态分量解耦Wiener估值器
    3.9.4 统一的白噪声Wiener估值器
    3.9.5 Wiener观测预报器
    3.9.6 多通道ARMA信号Wiener滤波器
    3.10 标准Kalman滤波器的推广
    3.10.1 带控制输入和观测偏差系统Kalman滤波
    3.10.2 带相关噪声系统Kalman滤波
    3.10.3 带相关噪声系统统一的白噪声估值器
    3.10.4 带相关噪声系统稳态Kalman滤波和白噪声估值器
    3.10.5 带相关噪声定常系统Wiener滤波
    3.10.6 带有色观测噪声系统Kalman滤波
    3.11 小结
    参考文献
    第4章 现代时间序列分析方法
    4.1 引言
    4.2 用Gevers-Wouters算法构造ARMA新息模型
    4.2.1 求MA模型参数的Gevers-Wouters算法
    4.2.2 用Gevers-Wouters算法构造ARMA新息模型
    4.2.3 有理分式矩阵的左素分解
    4.2.4 Leverrier-Fadeeva矩阵求逆算法
    4.3 统一的稳态最优白噪声估计理论
    4.3.1 ARMA新息模型
    4.3.2 在无穷维Hilbert空间上的投影运算
    4.3.3 稳态最优白噪声估值器
    4.3.4 应用于设计ARMA信号最优滤波器和平滑器
    4.4 多维Åström观测预报器
    4.4.1 Åström预报器
    4.4.2 应用于设计ARMA信号最优预报器
    4.5 稳态最优Kalman滤波和Wiener滤波
    4.5.1 基于ARMA新息模型的稳态最优Kalman滤波
    4.5.2 基于ARMA新息模型的Wiener滤波
    4.6 α-β与α-β-γ跟踪滤波器
    4.6.1 α-β跟踪滤波器
    4.6.2 α-β-γ跟踪滤波器
    4.7 单输入单输出系统快速稳态Kalman滤波算法
    4.8 基于ARMA新息模型与基于Riccati方程的稳态Kalman滤波器的等价性
    4.9 带观测滞后系统统一的和通用的Wiener状态估值器
    4.10 ARMA新息模型与状态空间新息模型的关系
    4.11 ARMA新息模型与最小实现
    4.12 小结
    参考文献
    第5章 基于Kalman滤波方法的最优信息融合滤波理论
    5.1 引言
    5.2 全局最优集中式和分布式融合Kalman滤波器
    5.2.1 集中式融合Kalman滤波器
    5.2.2 全局最优的分布式融合Kalman滤波器
    5.3 全局最优序贯分布式融合Kalman滤波器
    5.4 最优加权状态融合Kalman估值器
    5.4.1 局部Kalman滤波器及误差互协方差
    5.4.2 局部Kalman预报器及误差互协方差
    5.4.3 局部Kalman平滑器及误差互协方差
    5.4.4 最优加权状态融合Kalman估值器
    5.4.5 最优加权融合白噪声反卷积估值器
    5.5 最优加权状态融合稳态Kalman估值器
    5.6 多模型信息融合Kalman滤波
    5.6.1 问题提出
    5.6.2 多模型多传感器时变系统Kalman融合器
    5.6.3 多模型多传感器定常系统稳态Kalman融合器
    5.7 带观测滞后系统最优加权融合稳态Kalman估值器
    5.8 带观测滞后的ARMA信号最优加权融合Wiener滤波器
    5.8.1 基于状态估值器的ARMA信号Wiener融合器
    5.8.2 基于白噪声估值器和观测预报器的ARMA信号Wiener融合器
    5.8.3 仿真例子
    5.9 相关观测噪声多传感器系统加权观测融合Kalman滤波算法
    5.9.1 集中式融合Kalman滤波器算法
    5.9.2 加权观测融合Kalman滤波器算法1
    5.9.3 加权观测融合Kalman滤波器算法2
    5.9.4 两种加权观测融合Kalman滤波算法的全局最优性
    5.9.5 数值仿真例子
    5.10 加权观测融合稳态Kalman滤波算法
    5.11 加权观测融合Wiener滤波算法
    5.11.1 加权观测融合Wiener状态估值器
    5.11.2 Wiener状态融合器的功能等价性和渐近全局最优性
    5.11.3 应用于ARMA信号加权观测融合Wiener滤波
    5.11.4 仿真例子
    5.12 带相关噪声多传感器系统加权观测融合Kalman滤波算法
    5.12.1 集中式融合和加权观测融合Kalman滤波
    5.12.2 加权观测融合Kalman滤波的全局最优性
    5.12.3 集中式融合和加权观测融合稳态Kalman滤波
    5.12.4 带公共干扰观测噪声系统加权观测融合器
    5.13 加权观测融合Wiener反卷积滤波器
    5.13.1 加权观测融合白噪声Wiener反卷积估值器
    5.13.2 加权观测融合ARMA信号Wiener反卷积估值器
    5.14 小结
    参考文献
    第6章 基于现代时间序列分析方法的最优信息融合滤波理论
    6.1 引言
    6.2 集中式融合稳态Kalman滤波器
    6.3 基于ARMA新息模型的加权状态融合Kalman滤波
    6.3.1 定常系统最优加权状态融合Kalman估值器
    6.3.2 多模型多传感器最优加权状态融合Kalman估值器
    6.3.3 带观测滞后系统加权融合稳态Kalman估值器
    6.4 最优加权融合稳态白噪声反卷积估值器
    6.5 带观测滞后的ARMA信号加权融合Wiener估值器
    6.6 带观测滞后的加权融合Wiener状态估值器
    6.7 加权观测融合稳态Kalman滤波与Wiener滤波
    6.7.1 集中式融合稳态Kalman估值器
    6.7.2 加权观测融合稳态Kalman滤波算法1
    6.7.3 加权观测融合稳态Kalman滤波算法2
    6.7.4 加权观测融合Wiener滤波算法
    6.7.5 应用于跟踪系统
    6.8 ARMA信号加权观测融合Wiener滤波器
    6.8.1 带白色观测噪声的ARMA信号加权观测融合方法
    6.8.2 带有色观测噪声的ARMA信号加权观测融合方法
    6.8.3 ARMA信号反卷积加权观测融合方法
    6.9 小结
    参考文献
    第7章 自校正信息融合滤波理论
    7.1 引言
    7.2 收敛性分析的DESA方法和DVESA方法
    7.2.1 DESA方法
    7.2.2 DVESA方法
    7.3 多维和多重RLS算法、多维和多重RELS算法
    7.3.1 多重RLS算法
    7.3.2 多维RLS算法
    7.3.3 多重RELS算法、多维RELS算法
    7.4 多维和多重RIV算法
    7.5 多维BCRLS算法
    7.6 多传感器多通道ARMA模型信息融合多段辨识
    7.6.1 第1段:AR参数融合估值器
    7.6.2 第2段:噪声方差融合估值器
    7.6.3 第3段:MA参数融合估值器
    7.6.4 仿真例子
    7.7 带传感器偏差的ARMA模型融合辨识
    7.8 带有色观测噪声ARMA模型融合辨识
    7.9 自校正Riccati方程的收敛性
    7.10 自校正集中式融合信息滤波器
    7.10.1 自校正集中式融合信息滤波器及其收敛性
    7.10.2 基于随机过程理论定义按实现、按概率1收敛性和有界性
    7.10.3 应用于信号处理
    7.10.4 仿真例子
    7.11 自校正分布式融合信息滤波器
    7.12 带未知有色观测噪声的自校正融合Kalman滤波器
    7.12.1 局部和融合的稳态Kalman预报器
    7.12.2 未知模型参数和噪声方差估值
    7.12.3 自校正解耦融合Kalman预报器
    7.12.4 自校正局部和融合Kalman预报器的收敛性
    7.12.5 仿真例子
    7.13 自校正加权观测融合Kalman滤波器
    7.13.1 自校正观测融合Kalman滤波器
    7.13.2 自校正Kalman融合器的收敛性
    7.13.3 仿真例子
    7.14 自校正加权观测融合Kalman信号滤波器
    7.14.1 最优加权观测融合Kalman信号滤波器
    7.14.2 自校正加权观测融合Kalman信号滤波器
    7.14.3 仿真例子
    7.15 含未知参数的自校正解耦融合Kalman滤波器
    7.15.1 最优和自校正解耦融合Kalman滤波器
    7.15.2 自校正局部和融合Kalman滤波器的收敛性
    7.15.3 应用于多传感器多维AR信号处理
    7.15.4 仿真例子
    7.16 带有色观测噪声的AR信号的自校正加权观测融合Kalman滤波器
    7.16.1 最优加权观测融合Kalman滤波器
    7.16.2 未知模型参数和噪声方差估计
    7.16.3 自校正加权观测融合Kalman滤波器
    7.16.4 仿真例子
    7.17 多传感多通道ARMA信号自校正加权观测融合Wiener滤波器
    7.17.1 最优加权观测融合Wiener滤波器
    7.17.2 模型参数和噪声方差估值器
    7.17.3 自校正加权观测融合Wiener滤波器及其收敛性
    7.17.4 仿真例子
    7.18 小结
    参考文献
    第8章 CI融合鲁棒Kalman滤波理论
    8.1 引言
    8.2 两传感器CI融合稳态Kalman滤波器与三种加权融合稳态Kalman滤波器的精度比较
    8.2.1 局部稳态Kalman滤波器
    8.2.2 集中式融合稳态Kalman滤波器
    8.2.3 按矩阵加权融合稳态Kalman滤波器
    8.2.4 按标量加权融合稳态Kalman滤波器
    8.2.5 按对角阵加权融合稳态Kalman滤波器
    8.2.6 CI融合稳态Kalman滤波器
    8.2.7 局部和融合估值器的精度比较
    8.2.8 仿真例子
    8.3 多通道ARMA信号CI融合Wiener滤波器
    8.3.1 多通道ARMA信号局部Wiener滤波器
    8.3.2 按矩阵加权最优融合Wiener信号滤波器
    8.3.3 CI融合Wiener信号滤波器
    8.3.4 仿真例子
    8.4 带观测滞后两传感器系统CI融合稳态Kalman估值器
    8.4.1 局部稳态Kalman估值器
    8.4.2 CI融合稳态Kalman估值器
    8.4.3 仿真例子
    8.5 带观测滞后的两传感器多通道ARMA信号CI融合Wiener滤波器
    8.6 BCI鲁棒融合估计
    8.6.1 鲁棒性精度概念
    8.6.2 BCI融合估计的一致性
    8.6.3 局部估计与BCI融合估计的鲁棒精度关系
    8.7 BCI融合鲁棒Kalman滤波器
    8.7.1 局部稳态Kalman滤波器
    8.7.2 按矩阵加权最优融合稳态Kalman滤波器
    8.7.3 多传感器BCI融合稳态Kalman滤波器
    8.7.4 局部和融合稳态Kalman滤波器的精度比较
    8.7.5 BCI融合鲁棒稳态Kalman滤波器
    8.8 SCI融合鲁棒Kalman滤波器
    8.8.1 SCI融合稳态Kalman滤波器
    8.8.2 SCI融合器的一致性和精度分析
    8.8.3 SCI融合器精度关于传感器次序的灵敏性
    8.8.4 SCI融合鲁棒稳态Kalman滤波器
    8.9 PCI融合Kalman滤波器
    8.9.1 PCI融合Kalman滤波器
    8.9.2 PCI融合器的一致性和精度分析
    8.10 小结
    参考文献
帮助中心
公司简介
联系我们
常见问题
新手上路
发票制度
积分说明
购物指南
配送方式
配送时间及费用
配送查询说明
配送范围
快递查询
售后服务
退换货说明
退换货流程
投诉或建议
版权声明
经营资质
营业执照
出版社经营许可证