建模與估計(jì)（第2版）

定　價(jià)：￥59.80

作　者：	鄧自立，王欣，高媛著
出版社：	科學(xué)出版社有限責(zé)任公司
叢編項(xiàng)：	普通高等教育
標(biāo)　簽：	教材理學(xué) 研究生/本科/專(zhuān)科教材

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787030471741	出版時(shí)間：	2016-01-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	366	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《建模與估計(jì)（第2版）》以經(jīng)典Kalman濾波、經(jīng)典時(shí)間序列分析、系統(tǒng)辨識(shí)、多傳感器信息融合四門(mén)學(xué)科的相互滲透作為方法論，主要解決模型參數(shù)估計(jì)、狀態(tài)或信號(hào)估計(jì)、多傳感器信息融合估計(jì)、自校正狀態(tài)或信號(hào)估計(jì)、自校正信息融合狀態(tài)或信號(hào)估計(jì)五類(lèi)估計(jì)問(wèn)題。除了重點(diǎn)介紹模型參數(shù)的*小二乘法估計(jì)和經(jīng)典Kalman濾波理論外，還系統(tǒng)介紹了白噪聲估計(jì)理論、濾波的現(xiàn)代時(shí)間序列分析方法、多傳感器信息融合濾波理論、自校正濾波與信息融合濾波理論等新方法和新理論。書(shū)中以目標(biāo)跟蹤系統(tǒng)濾波為應(yīng)用背景，給出了大量仿真應(yīng)用例子，并對(duì)多種*小二乘法參數(shù)估計(jì)算法給出大量數(shù)值仿真例子，并給出Matlab仿真程序清單。

作者簡(jiǎn)介

暫缺《建模與估計(jì)（第2版）》作者簡(jiǎn)介

圖書(shū)目錄

第二版前言
第一版前言
緒論
0．1 估計(jì)理論的發(fā)展過(guò)程和估計(jì)問(wèn)題的分類(lèi)
0．2 模型參數(shù)估計(jì)問(wèn)題
0．3 時(shí)間序列、信號(hào)、狀態(tài)估計(jì)問(wèn)題
0．4 信息融合估計(jì)問(wèn)題
0．5 自校正狀態(tài)與信號(hào)估計(jì)問(wèn)題
0．6 自校正狀態(tài)與信號(hào)信息融合估計(jì)問(wèn)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(guò)程
1．3 自回歸滑動(dòng)平均模型
1．4 ARMA過(guò)程的展式
1．5 ARMA過(guò)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(guò)程的Box-Jenkins遞推預(yù)報(bào)器
3．10 ARMA過(guò)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(guān)測(cè)融合Kalman濾波器
4．7 加權(quán)觀(guān)測(cè)融合Wiener信號(hào)濾波器
4：8帶不同觀(guān)測(cè)陣的兩種加權(quán)觀(guān)測(cè)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A(yíng)RMA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(guān)測(cè)融合穩(wěn)態(tài)Kalman濾波器
6．6 加權(quán)觀(guān)測(cè)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(duì)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(guān)測(cè)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(cè)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