建模與估計(jì)（第2版）

第二版前言
第一版前言
緒論
0．1 估計(jì)理論的發(fā)展過程和估計(jì)問題的分類
0．2 模型參數(shù)估計(jì)問題
0．3 時(shí)間序列、信號(hào)、狀態(tài)估計(jì)問題
0．4 信息融合估計(jì)問題
0．5 自校正狀態(tài)與信號(hào)估計(jì)問題
0．6 自校正狀態(tài)與信號(hào)信息融合估計(jì)問題
參考文獻(xiàn)
第1章 ARMA模型與狀態(tài)空間模型
1．1 引言
1．2 隨機(jī)過程
1．3 自回歸滑動(dòng)平均模型
1．4 ARMA過程的展式
1．5 ARMA過程的相關(guān)函數(shù)
1．6 狀態(tài)空間模型
習(xí)題
參考文獻(xiàn)
第2章 最小二乘法參數(shù)估計(jì)
2．1 引言
2．2 遞推最小二乘法
2．3 加權(quán)最小二乘法
2．4 遞推增廣最小二乘法
2．5 兩段RLS-RELS算法——改進(jìn)的RELS算法
2．6 兩段RLS-LS算法
2．7 遞推輔助變量算法及其收斂性
2．8 偏差補(bǔ)償遞推最小二乘法
2．9 多重RLS算法
2．10 多維RLS算法
習(xí)題
參考文獻(xiàn)
第3章 狀態(tài)與信號(hào)的最優(yōu)估計(jì)——經(jīng)典Kalman濾波與時(shí)域Wiener濾波
3．1 引言
3．2 射影理論
3．3 Kalman濾波器和預(yù)報(bào)器
3．4 Kalman平滑器
3．5 白噪聲估值器
3．6 信息濾波器
3．7 穩(wěn)態(tài)Kalman濾波
3．8 基于Kalman濾波的時(shí)域Wiener濾波方法
3．9 平穩(wěn)和非平穩(wěn)向量ARMA過程的Box-Jenkins遞推預(yù)報(bào)器
3．10 ARMA過程的、Astrom預(yù)報(bào)器
習(xí)題
參考文獻(xiàn)
第4章 多傳感器最優(yōu)信息融合估計(jì)-Kalman濾波方法
4．1 引言
4．2 三種加權(quán)多傳感器最優(yōu)信息融合準(zhǔn)則
4．3 多傳感器信息融合Kalman濾波器和預(yù)報(bào)器
4．4 多傳感器信息融合穩(wěn)態(tài)Kalman濾波器和預(yù)報(bào)器
4．5 分布式信息融合ARMA信號(hào)Wiener濾波器
4．6 ，加權(quán)觀測融合Kalman濾波器
4．7 加權(quán)觀測融合Wiener信號(hào)濾波器
4：8帶不同觀測陣的兩種加權(quán)觀測融合Kalman濾波器的功能等價(jià)性
習(xí)題
參考文獻(xiàn)
第5章 狀態(tài)與信號(hào)的最優(yōu)估計(jì)——現(xiàn)代時(shí)間序列分析方法導(dǎo)論
5．1 引言
5．2 構(gòu)造ARMA新息模型的Gevers-Wouters算法
5．3 統(tǒng)一的穩(wěn)態(tài)最優(yōu)白噪聲估計(jì)理論
5．4 多通道ARMA信號(hào)Wiener濾波器
5．5 基于ARMA新息模型的穩(wěn)態(tài)Kalman濾波器和預(yù)報(bào)器
習(xí)題
參考文獻(xiàn)
第6章 多傳感器最優(yōu)信息融合估計(jì)——現(xiàn)代時(shí)間序列分析方法
6．1 引言
6．2 多傳感器信息融合白噪聲反卷積估值器
6．3 多通道ARMA信號(hào)信息融合Wiener濾波器
6．4 信息融合穩(wěn)態(tài)Kalman濾波器和預(yù)報(bào)器
6．5 加權(quán)觀測融合穩(wěn)態(tài)Kalman濾波器
6．6 加權(quán)觀測融合Wiener信號(hào)濾波器
習(xí)題
參考文獻(xiàn)
第7章 自校正估計(jì)與自校正信息融合估計(jì)
7．1 引言
7．2 自校正α-β跟蹤濾波器
7．3 自校正對角陣加權(quán)信息融合Kalman濾波器及其收斂性分析
7．4 自校正加權(quán)觀測融合Kalman濾波器
7．5 多變量ARMA信號(hào)自校正濾波器
7．6 自校正信號(hào)檢測數(shù)字濾波器
習(xí)題
參考文獻(xiàn)
附錄1 穩(wěn)態(tài)Kalman濾波算法Matlab仿真通式
附錄2 三種加權(quán)信息融合算法Matlab仿真通式
附錄3 構(gòu)造ARMA新息模型的Gevers-Wouters算法Matlab仿真通式
附錄4 RLS-RELS算法Matlab仿真通式
附錄5 RELS算法Matlab仿真通式