本书以经典Kalman滤波、经典时间序列分析、系统辨识、多传感器信息融合四门学科的相互渗透作为方法论,主要解决模型参数估计、状态或信号估计、多传感器信息融合估计、自校正状态或信号估计、自校正信息融合状态或信号估计五类估计问题。除了重点介绍模型参数的最小二乘法估计和经典Kalman滤波理论外,还系统介绍了白噪声估计理论、最优滤波的现代时间序列分析方法、多传感器信息融合滤波理论、自校正滤波与信息融合滤波理论等新方法和新理论。书中以目标跟踪系统滤波为应用背景,给出大量仿真应用例子,并对多种最小二乘法参数估计算法给出大量数值仿真例子,并给出Matlab仿真程序清单。
样章试读
目录
- 目录
第二版前言
第一版前言
绪论 1
0.1 估计理论的发展过程和估计问题的分类 1
0.2 模型参数估计问题 2
0.3 时间序列、信号、状态估计问题 3
0.4 信息融合估计问题 8
0.5 自校IE状态与信#估计问题 10
0.6 自校正状态与信号信息融合估计问题 11
参考文献 13
第1章 ARMA模型与状态空间模型 14
1.1 引言 14
1.2 随机过程 15
1.3 自回归滑动平均模型 24
1.4 ARMA过程的展式 30
1.5 ARMA过程的相关函数 35
1.6 状态空间模型 43
习题 52
参考文献 54
第2章 最小二乘法参数估计 55
2.1 引言 55
2.2 递推最小二乘法 57
2.3 加权最小二乘法 67
2.4 递推增广最小二乘法 71
2.5 两段RLS-RELS算法——改进的RELS算法 74
2.6 两段RLS-LS算法 80
2.7 递推辅助变量算法及其收敛性 87
2.8 偏壶补偿递推最小二乘法 93
2.9 多重RLS算法 101
2.10 多维RLS算法 103
习题 109
参考文献 111
第3章 状态与信号的最优估计——经典Kalman滤波与时域Wienei滤波 113
3.1 引言 113
3.2 射影理论 120
3.3 Kalman滤波器和预报器 126
3.4 Kalman平滑器 134
3.5 白噪声估值器 138
3.6 信息滤波器 146
3.7 稳态Kalman滤波 148
3.8 基于Kalman滤波的时域"Wiener滤波方法 158
3.9 平稳和非平稳向量ARMA过程的Box-Jenkins递推预报器 168
3.10 ARMA过程的Astr6m预报器 171
习题 175
参考文献 178
第4章 多传感器最优信息融合估计一Kalman滤波方法 181
4.1 引言 181
4.2 三种加权多传感器最优信息融合准则 183
4.3 多传感器信息融合Kalman滤波器和预报器 194
4.4 多传感器信息融合稳态Kalman滤波器和预报器 200
4.5 分布式信息融合ARMA信号Wiener滤波器 208
4.6 加权观测融合Kalman滤波器 217
4.7 加权观测融合Wiener信号滤波器 223
4.8 带不同观测阵的两种加权观测融合Kalman滤波器的功能等价性 227
习题 233
参考文献 235
第5章 状态与倍号的最优估计——现代时间序列分析方法导论 237
5.1 引言 237
5.2 构造ARMA新息模型的Gevers-Wouters算法 239
5.3 统一的稳态最优白噪声估计理论 249
5.4 多通道ARMA信号Wiener滤波器 258
5.5 基于ARMA新息模型的稳态Kalman滤波器和预报器 263
习题 275
参考文献 279
第6章 多传感器最优信息融合估计——现代时间序列分析方法 283
6.1 引言 283
6.2 多传感器信息融合白噪声反卷积估值器 283
6.3 多通道ARMA信号信息融合Wiener滤波器 289
6.4 信息融合稳态Kalman滤波器和预报器 298
6.5 加权观测融合稳态Kalman滤波器 303
6.6 加权观测融合Wienei信号滤波器 311
习题 317
参考文献 319
第7章 自校正估计与自校正信息融合估计 320
7.1 引言 320
7.2 自校正α-β跟踪滤波器 323
7.3 自校正对角阵加权信息融合Kalman滤波器及其收敛性分析 330
7.4 自校正加权观测融合Kalman滤波器 344
7.5 多变量ARMA信号自校正滤波器 352
7.6 自校正信号检测数字滤波器 361
习题 364
参考文献 365
附录1 稳态Kalman滤波算法Matlab仿真通式 367
附录2 三种加权信息融合算法Matlab仿真通式 368
附录3 构造ARMA新息槿型的Gevere-Wouters算法Matlab仿真通式 369
附录4 RLS-RELS算法Matlab仿真通式 370
附录5 RELS算法Matlab仿真通式 371