第1章 绪论

1.1 组合导航概述

1.1.1 组合导航基本概念

1.1.2 组合导航系统发展概况

1.2 滤波理论的研究概况

1.2.1 滤波算法的基本知识

1.2.2 线性滤波算法

1.2.3 非线性滤波算法

1.3 组合导航非线性滤波算法的应用现状

第2章 卡尔曼滤波及扩展卡尔曼滤波

2.1 卡尔曼滤波的性质

2.2 离散卡尔曼滤波算法

2.3 连续卡尔曼滤波算法

2.3.1 过程噪声

2.3.2 量测噪声

2.3.3 连续卡尔曼滤波推导

2.4 改进的卡尔曼滤波算法

2.4.1 鲁棒卡尔曼滤波

2.4.2 交互式多模型卡尔曼滤波

2.4.3 Sage-Husa卡尔曼滤波

2.5 扩展卡尔曼滤波

2.5.1 线性化方法

2.5.2 离散扩展卡尔曼滤波

2.5.3 连续扩展卡尔曼滤波

第3章 无迹卡尔曼滤波

3.1 无迹变换与采样策略

3.1.1 无迹变换原理

3.1.2 无迹变换的精度分析

3.1.3 无迹变换的采样策略

3.2 无迹卡尔曼滤波算法

第4章 优化的无迹卡尔曼滤波及其应用

4.1 改进的强跟踪无迹卡尔曼滤波及其应用

4.1.1 改进的强跟踪无迹卡尔曼滤波算法

4.1.2 改进的强跟踪无迹卡尔曼滤波算法在INS/GNSS组合导航系统中的应用

4.2 约束无迹卡尔曼滤波及其在车辆组合导航中的应用

4.2.1 约束方程

4.2.2 约束无迹卡尔曼滤波算法

4.2.3 约束无迹卡尔曼滤波统计特性

4.2.4 约束无迹卡尔曼滤波算法在GPS/DR组合导航中的应用

4.3 抗差模型预测无迹卡尔曼滤波

4.3.1 抗差模型预测无迹卡尔曼滤波算法

4.3.2 抗差模型预测无迹卡尔曼滤波在SINS/BDS/CNS组合导航中的应用

第5章 粒子滤波概述

5.1 粒子滤波算法

5.1.1 贝叶斯滤波

5.1.2 蒙特卡罗采样

5.1.3 序贯重要性采样

5.1.4 重采样

5.1.5 标准粒子滤波算法

5.1.6 粒子滤波存在的问题

5.2 粒子滤波优化算法

5.2.1 避免粒子贫化

5.2.2 降低计算复杂度

5.2.3 优选重要性密度函数

第6章 优化的粒子滤波

6.1 抗差自适应中心差分粒子滤波

6.1.1 中心差分算法

6.1.2 抗差自适应滤波

6.1.3 抗差自适应中心差分粒子滤波算法

6.1.4 SINS/CNS组合导航系统仿真计算与分析

6.2 抗差自适应高斯混合Sigma点粒子滤波

6.2.1 高斯粒子滤波

6.2.2 抗差自适应高斯混合Sigma点粒子滤波算法

6.2.3 SINS/SAR/CNS组合导航系统直接法滤波中的应用

第7章 改进的无迹粒子滤波算法及其应用

7.1 抗差自适应无迹粒子滤波

7.1.1 抗差自适应无迹粒子滤波算法

7.1.2 仿真计算与分析

7.1.3 抗差自适应无迹粒子滤波在SINS/SAR组合导航系统中的应用

7.2 非线性模型预测无迹粒子滤波

7.2.1 模型预测滤波

7.2.2 非线性模型预测无迹粒子滤波算法

7.2.3 非线性模型无迹粒子滤波算法在SINS/SAR组合导航系统中的应用

7.3 衰减记忆平方根无迹粒子滤波

7.3.1 衰减记忆滤波

7.3.2 平方根滤波

7.3.3 衰减记忆平方根无迹粒子滤波算法

7.3.4 SINS/SAR组合导航系统直接法滤波中的应用

7.4 基于似然分布的样本数自适应无迹粒子滤波

7.4.1 样本数可自适应调整的粒子滤波

7.4.2 基于似然分布的样本数自适应无迹粒子滤波算法

7.4.2 SINS/SAR组合导航系统直接法滤波中的应用

第8章 基于随机加权的滤波算法及其应用

8.1 随机加权估计的基本思想

8.2 动态导航定位中的随机加权估计

8.2.1 观测残差向量与新息向量的协方差阵

8.2.2 观测噪声协方差矩阵的随机加权开窗估计

8.2.3 仿真实验与分析

8.3 动力学模型误差的Sage随机加权自适应滤波

8.3.1 动力学模型系统误差

8.3.2 动力学模型误差的Sage随机加权自适应滤波算法

8.3.3 仿真计算与分析

8.4 基于移动开窗与随机加权估计的自适应无迹卡尔曼滤波及其应用

8.4.1 无迹卡尔曼滤波的非重采样形式

8.4.2 随机加权因子的确定

8.4.3 基于移动开窗与随机加权估计的自适应无迹卡尔曼滤波算法

8.4.3 INS/GNSS组合导航系统直接法滤波中的应用

参考文献 2100433B