您当前的位置：首页 > Kalman滤波器：应用研究 金学波等著 2018年版 > 下载地址1
Kalman滤波器：应用研究 金学波等著 2018年版
- 名 称：Kalman滤波器：应用研究 金学波等著 2018年版 - 下载地址1
- 类 别：电子信息
- 下载地址：[下载地址1]
- 提 取 码：
- 浏览次数：3
发表评论 加入收藏夹 错误报告目录| 新闻评论（共有 0 条评论） |
资料介绍
Kalman滤波器：应用研究
作者：金学波等著
出版时间：2018年版
内容简介
《Kalman 滤波器——应用研究》以 Kalman 滤波器为基本方法，介绍了 Kalman 滤波器在时间序列分析、机器人惯导、室内目标跟踪、金融时序建模、信号在线去噪及参数辨识等方面的应用，同时部分章节配套了MATLAB 源程序。 《Kalman 滤波器——应用研究》介绍了 Kalman 经典应用领域的典型案例，如机器人惯导及室内跟踪。同时，扩展了 Kalman 滤波器在其他领域的应用，例如，针对大型数据中心的容量检测数据以及金融领域的股票数据，研究了时间序列的预处理、压缩及预测等问题；还给出了利用 Kalman 滤波器的信号在线去噪及参数辨识方法。
目录
目录
前言
第1章基础知识 1
1.1Kalman滤波器的动力学模型 2
1.1.1连续模型离散化 2
1.1.2机动目标的经典动力学模型 5
1.2Kalman滤波器 13
1.3自适应参数机动目标模型估计方法 14
1.4小结 19
第 部分基于Kalman滤波器的时间序列分析
第2章Kalman滤波器在时间序列动力学中的应用 23
2.1相关知识介绍 23
2.2时间序列数据的动力学建模 25
2.2.1主趋势提取模型 25
2.2.2主趋势变换模型 25
2.3实验研究 26
2.4小结 29
第3章Kalman滤波器在时间序列压缩中的应用 30
3.1时间序列压缩的应用背景 30
3.2时间序列压缩的研究现状 31
3.3时间序列压缩的解决方案 32
3.3.1规则采样压缩法 32
3.3.2随机不规则采样压缩法 33
3.3.3弹簧驱动的采样压缩法 33
3.4时间序列压缩的实验结果 34
3.4.1数据 34
3.4.2评价指标 35
3.4.3实验结果 35
3.5小结 37
参考文献 47
第4章Kalman滤波器在时间序列预处理中的应用 48
4.1时间序列提取基本趋势的应用背景 48
4.2时间序列提取基本趋势的研究现状 49
4.3时间序列提取基本趋势的解决方案 50
4.3.1不规则采样和Kalman估计 51
4.3.2三次样条插值重构 51
4.3.3Max/Min/Mean均值替代 52
4.4实验结果 52
4.4.1评价指标 52
4.4.2实验结果 53
4.5小结 55
参考文献 62
第二部分基于惯性导航原理的机器人移动轨迹重建
第5章捷联式惯性导航系统的基本理论 65
5.1捷联式惯性导航系统概述 65
5.1.1捷联式惯性导航系统原理 65
5.1.2捷联算法 66
5.2惯性导航坐标系及其转换关系 67
5.2.1常见惯性导航坐标系 67
5.2.2坐标系间的相互转换 68
5.3捷联式惯性导航系统姿态解算算法 70
5.3.1姿态矩阵的微分方程描述 71
5.3.2姿态矩阵的实时计算与更新 72
5.4基于四元数的捷联式惯性导航姿态解算 74
5.4.1四元数与捷联式惯导姿态矩阵 74
5.4.2导航参数的计算 75
5.4.3初始条件的给定与初始数据的计算 79
5.5小结 80
参考文献 81
第6章捷联式惯性导航系统的数字仿真 82
6.1捷联式惯性导航数字仿真设计原理 82
6.2飞行轨迹发生器的设计 83
6.2.1仿真用坐标系 83
6.2.2飞机的机动飞行过程 83
6.2.3飞行轨迹参数的求取 84
6.3惯导系统仿真器的设计 86
6.3.1陀螺仪仿真器 86
6.3.2加速度计仿真器 87
6.3.3S1NS导航解算仿真器 88
6.3.4误差处理器 90
6.4数字仿真系统的MATLAB建模及实现 90
6.4.1数据的模拟生成 90
6.4.2Kalman滤波器在含噪捷联式惯导系统解算中的应用 91
6.5小结 95
参考文献 107
第7章基于多传感器的路径重建系统的实现 108
7.1机器人平台介绍 108
7.2数据采集与预处理 109
7.3路径重建系统实现算法流程 113
7.3.1使用四阶龙格库塔法更新四元数 114
7.3.2基于多源信息融合方法重构轨迹 114
7.4实验结果 116
7.5小结 117
参考文献 117
第三部分基于多传感器信息融合的室内目标跟踪技术
第8章室内跟踪技术简介 121
8.1室内跟踪定位技术介绍 121
8.2室内跟踪技术的研究现状 123
8.2.1RF1D室内跟踪系统 124
8.2.2惯性导航系统 125
8.2.3多传感器信息融合 125
8.3小结 127
参考文献 127
第9章基于IMU的仿真系统与轨迹重建方法 129
9.1基于IMU的运动轨迹测量数据仿真 129
9.1.1加速度计仿真器的实现 129
9.1.2陀螺仪仿真器的实现 130
9.1.3惯性传感器数据的仿真结果 132
9.2基于IMU的运动轨迹重构方法及仿真结果 134
9.2.1基于惯性传感器测量数据的航位推算 134
9.2.2仿真实验结果及误差分析 136
9.3小结 137
参考文献 138
第10章基于RFID的运动轨迹重构方法 139
10.1基于RFID的运动轨迹测量数据仿真 139
10.1.1RFID系统的测量模型 139
10.1.2RFID阅读器数据的产生 140
10.2基于RFID测量数据的运动轨迹重构方法 141
10.2.1轨迹重构方法流程图 141
10.2.2基于可变数量RFID阅读器的UKF跟踪方法 142
10.3实验结果 146
10.4小结 147
参考文献 148
第11章基于RFID和IMU融合的室内跟踪方法 149
II.I多传感器室内跟踪方法的算法流程 149
11.2基于多传感器融合跟踪方法的仿真研究 150
11.3基于多传感器融合跟踪方法的实验研究 153
11.3.1数据采集与预处理 153
11.3.2实验结果 157
11.4小结 161
参考文献 166
第四部分基于动态特征的金融数据时序关系建模
第12章金融时序数据分析基础 169
12.1量化投资的相关知识介绍 169
12.2国内外研究现状 171
12.2.1量化投资国内外研究现状 171
12.2.2金融时序分析方法研究现状 173
12.3小结 179
参考文献 179
第13章基于时序数据的多维特征提取 183
13.1静态特征 183
13.1.1价格特征 184
13.1.2资金特征 185
13.1.3情绪特征 185
13.2动态特征 187
13.3特征提取 190
13.3.1特征预处理 191
13.3.2特征统计表现 192
13.4小结 198
第14章HMM建模方法 200
14.1基于单 特征训练集的HMM建模方法 200
14.1.1HMM原理 201
14.1.2评价指标 203
14.1.3模型建立及结果分析 205
14.2基于多维特征测试集HMM建模方法 211
14.2.1基于多维特征的HMM建模流程 211
14.2.2实验结果 212
14.3小结 217
第五部分基于Kalman滤波器的信号去噪
及参数辨识方法研究
第15章基于SHAKF去噪方法的研究与实现 221
15.1SHAKF的简要介绍 221
15.2陀螺仪测量数据的在线建模 221
15.2.1AR模型 221
15.2.2基于RLS对AR模型参数进行估计 222
15.3实时滤波 224
15.3.1滤波器的选择 224
15.3.2SHAKF算法 224
15.3.3SHAKF算法分析 227
15.3.4SHAKF算法的改进 229
15.4基于AR模型自适应滤波的实验与分析 229
15.4.1系统方程 229
15.4.2实验结果 231
15.4.3性能分析 233
15.4.4实验仿真结果总结 234
15.5小结 234
参考文献 238
第16章基于二阶自适应统计模型的信号在线去噪 239
16.1基于Kalman滤波和自适应统计模型的在线去噪算法 239
16.1.1在线去噪的自适应统计模型 239
16.1.2通过Yule Walker算法进行自适应参数调整 241
16.2实验研究 242
16.3小结 249
参考文献 249
第17章基于EKF算法的系统参数辨识 250
17.1相关技术介绍 250
17.2应用EKF进行系统参数辨识 252
17.3Bouc Wen模型实例仿真分析 252
17.4小结 257
参考文献 258
作者：金学波等著
出版时间：2018年版
内容简介
《Kalman 滤波器——应用研究》以 Kalman 滤波器为基本方法，介绍了 Kalman 滤波器在时间序列分析、机器人惯导、室内目标跟踪、金融时序建模、信号在线去噪及参数辨识等方面的应用，同时部分章节配套了MATLAB 源程序。 《Kalman 滤波器——应用研究》介绍了 Kalman 经典应用领域的典型案例，如机器人惯导及室内跟踪。同时，扩展了 Kalman 滤波器在其他领域的应用，例如，针对大型数据中心的容量检测数据以及金融领域的股票数据，研究了时间序列的预处理、压缩及预测等问题；还给出了利用 Kalman 滤波器的信号在线去噪及参数辨识方法。
目录
目录
前言
第1章基础知识 1
1.1Kalman滤波器的动力学模型 2
1.1.1连续模型离散化 2
1.1.2机动目标的经典动力学模型 5
1.2Kalman滤波器 13
1.3自适应参数机动目标模型估计方法 14
1.4小结 19
第 部分基于Kalman滤波器的时间序列分析
第2章Kalman滤波器在时间序列动力学中的应用 23
2.1相关知识介绍 23
2.2时间序列数据的动力学建模 25
2.2.1主趋势提取模型 25
2.2.2主趋势变换模型 25
2.3实验研究 26
2.4小结 29
第3章Kalman滤波器在时间序列压缩中的应用 30
3.1时间序列压缩的应用背景 30
3.2时间序列压缩的研究现状 31
3.3时间序列压缩的解决方案 32
3.3.1规则采样压缩法 32
3.3.2随机不规则采样压缩法 33
3.3.3弹簧驱动的采样压缩法 33
3.4时间序列压缩的实验结果 34
3.4.1数据 34
3.4.2评价指标 35
3.4.3实验结果 35
3.5小结 37
参考文献 47
第4章Kalman滤波器在时间序列预处理中的应用 48
4.1时间序列提取基本趋势的应用背景 48
4.2时间序列提取基本趋势的研究现状 49
4.3时间序列提取基本趋势的解决方案 50
4.3.1不规则采样和Kalman估计 51
4.3.2三次样条插值重构 51
4.3.3Max/Min/Mean均值替代 52
4.4实验结果 52
4.4.1评价指标 52
4.4.2实验结果 53
4.5小结 55
参考文献 62
第二部分基于惯性导航原理的机器人移动轨迹重建
第5章捷联式惯性导航系统的基本理论 65
5.1捷联式惯性导航系统概述 65
5.1.1捷联式惯性导航系统原理 65
5.1.2捷联算法 66
5.2惯性导航坐标系及其转换关系 67
5.2.1常见惯性导航坐标系 67
5.2.2坐标系间的相互转换 68
5.3捷联式惯性导航系统姿态解算算法 70
5.3.1姿态矩阵的微分方程描述 71
5.3.2姿态矩阵的实时计算与更新 72
5.4基于四元数的捷联式惯性导航姿态解算 74
5.4.1四元数与捷联式惯导姿态矩阵 74
5.4.2导航参数的计算 75
5.4.3初始条件的给定与初始数据的计算 79
5.5小结 80
参考文献 81
第6章捷联式惯性导航系统的数字仿真 82
6.1捷联式惯性导航数字仿真设计原理 82
6.2飞行轨迹发生器的设计 83
6.2.1仿真用坐标系 83
6.2.2飞机的机动飞行过程 83
6.2.3飞行轨迹参数的求取 84
6.3惯导系统仿真器的设计 86
6.3.1陀螺仪仿真器 86
6.3.2加速度计仿真器 87
6.3.3S1NS导航解算仿真器 88
6.3.4误差处理器 90
6.4数字仿真系统的MATLAB建模及实现 90
6.4.1数据的模拟生成 90
6.4.2Kalman滤波器在含噪捷联式惯导系统解算中的应用 91
6.5小结 95
参考文献 107
第7章基于多传感器的路径重建系统的实现 108
7.1机器人平台介绍 108
7.2数据采集与预处理 109
7.3路径重建系统实现算法流程 113
7.3.1使用四阶龙格库塔法更新四元数 114
7.3.2基于多源信息融合方法重构轨迹 114
7.4实验结果 116
7.5小结 117
参考文献 117
第三部分基于多传感器信息融合的室内目标跟踪技术
第8章室内跟踪技术简介 121
8.1室内跟踪定位技术介绍 121
8.2室内跟踪技术的研究现状 123
8.2.1RF1D室内跟踪系统 124
8.2.2惯性导航系统 125
8.2.3多传感器信息融合 125
8.3小结 127
参考文献 127
第9章基于IMU的仿真系统与轨迹重建方法 129
9.1基于IMU的运动轨迹测量数据仿真 129
9.1.1加速度计仿真器的实现 129
9.1.2陀螺仪仿真器的实现 130
9.1.3惯性传感器数据的仿真结果 132
9.2基于IMU的运动轨迹重构方法及仿真结果 134
9.2.1基于惯性传感器测量数据的航位推算 134
9.2.2仿真实验结果及误差分析 136
9.3小结 137
参考文献 138
第10章基于RFID的运动轨迹重构方法 139
10.1基于RFID的运动轨迹测量数据仿真 139
10.1.1RFID系统的测量模型 139
10.1.2RFID阅读器数据的产生 140
10.2基于RFID测量数据的运动轨迹重构方法 141
10.2.1轨迹重构方法流程图 141
10.2.2基于可变数量RFID阅读器的UKF跟踪方法 142
10.3实验结果 146
10.4小结 147
参考文献 148
第11章基于RFID和IMU融合的室内跟踪方法 149
II.I多传感器室内跟踪方法的算法流程 149
11.2基于多传感器融合跟踪方法的仿真研究 150
11.3基于多传感器融合跟踪方法的实验研究 153
11.3.1数据采集与预处理 153
11.3.2实验结果 157
11.4小结 161
参考文献 166
第四部分基于动态特征的金融数据时序关系建模
第12章金融时序数据分析基础 169
12.1量化投资的相关知识介绍 169
12.2国内外研究现状 171
12.2.1量化投资国内外研究现状 171
12.2.2金融时序分析方法研究现状 173
12.3小结 179
参考文献 179
第13章基于时序数据的多维特征提取 183
13.1静态特征 183
13.1.1价格特征 184
13.1.2资金特征 185
13.1.3情绪特征 185
13.2动态特征 187
13.3特征提取 190
13.3.1特征预处理 191
13.3.2特征统计表现 192
13.4小结 198
第14章HMM建模方法 200
14.1基于单 特征训练集的HMM建模方法 200
14.1.1HMM原理 201
14.1.2评价指标 203
14.1.3模型建立及结果分析 205
14.2基于多维特征测试集HMM建模方法 211
14.2.1基于多维特征的HMM建模流程 211
14.2.2实验结果 212
14.3小结 217
第五部分基于Kalman滤波器的信号去噪
及参数辨识方法研究
第15章基于SHAKF去噪方法的研究与实现 221
15.1SHAKF的简要介绍 221
15.2陀螺仪测量数据的在线建模 221
15.2.1AR模型 221
15.2.2基于RLS对AR模型参数进行估计 222
15.3实时滤波 224
15.3.1滤波器的选择 224
15.3.2SHAKF算法 224
15.3.3SHAKF算法分析 227
15.3.4SHAKF算法的改进 229
15.4基于AR模型自适应滤波的实验与分析 229
15.4.1系统方程 229
15.4.2实验结果 231
15.4.3性能分析 233
15.4.4实验仿真结果总结 234
15.5小结 234
参考文献 238
第16章基于二阶自适应统计模型的信号在线去噪 239
16.1基于Kalman滤波和自适应统计模型的在线去噪算法 239
16.1.1在线去噪的自适应统计模型 239
16.1.2通过Yule Walker算法进行自适应参数调整 241
16.2实验研究 242
16.3小结 249
参考文献 249
第17章基于EKF算法的系统参数辨识 250
17.1相关技术介绍 250
17.2应用EKF进行系统参数辨识 252
17.3Bouc Wen模型实例仿真分析 252
17.4小结 257
参考文献 258
