多運(yùn)動平臺協(xié)同導(dǎo)航的分散式算法研究
定 價:50 元
- 作者:穆華 等著
- 出版時間:2015/10/1
- ISBN:9787118102611
- 出 版 社:國防工業(yè)出版社
- 中圖法分類:TN96
- 頁碼:148
- 紙張:膠版紙
- 版次:1
- 開本:16開
穆華、吳美平、胡小平、王飛行編*的《多運(yùn)動 平臺協(xié)同導(dǎo)航的分散式算法研究》共分為6章。第1章 闡述了多運(yùn)動平臺協(xié)同導(dǎo)航的研究背景和意義,總結(jié) 了分散式數(shù)據(jù)融合技術(shù)和貝葉斯網(wǎng)絡(luò)推理算法的研究 現(xiàn)狀。第2章建立了協(xié)同導(dǎo)航的狀態(tài)空間模型和概率 圖模型。第3章設(shè)計了增廣信息濾波協(xié)同導(dǎo)航算法。
分析了增廣信息濾波的運(yùn)算特點(diǎn),指出狀態(tài)恢復(fù)是全 局運(yùn)算,并給出了適合分散式實(shí)現(xiàn)的基于矩陣分解的 狀態(tài)恢復(fù)算法。第4章提出了分散式增廣信息濾波協(xié) 同導(dǎo)航算法。算法包含單平臺局部數(shù)據(jù)融合和狀態(tài)恢 復(fù)兩部分,狀態(tài)恢復(fù)的求解實(shí)際上是平臺間進(jìn)行信息 共享的過程。建立了一套分散式算法的性能評價指標(biāo) ,并分析了分散式增廣信息濾波的各項(xiàng)性能。第5章 提出了一種新的高斯動態(tài)貝葉斯網(wǎng)絡(luò)推理算法。針對 變量間存在確定性關(guān)系的貝葉斯網(wǎng)絡(luò),提出了矩參數(shù) 懶惰推理算法,為高斯貝葉斯網(wǎng)絡(luò)的推理提供了通用 、直接的解決方案。針對動態(tài)貝葉斯網(wǎng)絡(luò)的推理,設(shè) 計了新的遞增動態(tài)聯(lián)合樹算法。上述兩個新算法結(jié)合 起來可以對高斯動態(tài)貝葉斯網(wǎng)絡(luò)進(jìn)行推理,從而為協(xié) 同導(dǎo)航分散式聯(lián)合樹算法設(shè)計奠定了基礎(chǔ)。第6章提 出了協(xié)同導(dǎo)航分散式聯(lián)合樹算法框架。分析了算法的 復(fù)雜度及工作負(fù)載均衡性,比較研究了分散式卡爾曼 濾波和矩參數(shù)分散式聯(lián)合樹算法,以及分散式增廣信 息濾波和分散式信息參數(shù)聯(lián)合樹算法。
第1章 緒論
1.1 研究背景
1.2 多運(yùn)動平臺協(xié)同導(dǎo)航的相關(guān)研究
1.3 分散式數(shù)據(jù)融合技術(shù)
1.3.1 多傳感器目標(biāo)跟蹤
1.3.2 傳感器網(wǎng)絡(luò)的校準(zhǔn)
1.4 分散式協(xié)同導(dǎo)航算法研究
1.5 貝葉斯網(wǎng)絡(luò)推理算法
1.5.1 算法分類
1.5.2 幾種推理算法
1.6 機(jī)器人同步定位與建圖(SLAM)的啟示
第2章 多運(yùn)動平臺協(xié)同導(dǎo)航的數(shù)學(xué)模型
2.1 協(xié)同導(dǎo)航系統(tǒng)特征分析
2.2 協(xié)同導(dǎo)航的狀態(tài)空間模型
2.2.1 單平臺的狀態(tài)空間模型
2.2.2 平臺系統(tǒng)的狀態(tài)空間模型
2.2.3 狀態(tài)空間模型小結(jié)
2.3 協(xié)同導(dǎo)航的概率圖模型
2.3.1 概率圖模型
2.3.2 動態(tài)貝葉斯網(wǎng)絡(luò)表達(dá)
2.3.3 馬爾可夫隨機(jī)場
2.4 小結(jié)
第3章 協(xié)同導(dǎo)航增廣信息濾波算法
3.1 協(xié)同導(dǎo)航的高斯濾波
3.1.1 高斯濾波
3.1.2 矩參數(shù)表達(dá)
3.1.3 信息參數(shù)表達(dá)
3.2 協(xié)同導(dǎo)航的增廣信息濾波
3.3 基于矩陣分解的狀態(tài)恢復(fù)算法
3.3.1 均值恢復(fù)
3.3.2 協(xié)方差按列恢復(fù)
3.3.3 稀疏協(xié)方差恢復(fù)
3.4 增廣信息濾波的馬爾可夫隨機(jī)場
3.5 小結(jié)
第4章 協(xié)同導(dǎo)航分散式增廣信息濾波算法設(shè)計
4.1 單平臺局部數(shù)據(jù)融合
4.1.1 狀態(tài)添加
4.1.2 觀測更新
4.1.3 狀態(tài)消元
4.2 分布式遞增Cholesky修正算法
4.2.1 矩陣的Cholesky分解
4.2.2 遞增Cholesky修正
4.2.3 遞增的狀態(tài)恢復(fù)
4.2.4 分布式遞增Cholesky修正
4.2.5 關(guān)于選取Cholesky分解算法的討論
4.3 基于遞增Cholesky修正的分散式狀態(tài)恢復(fù)
4.3.1 遞增Cholesky修正
4.3.2 狀態(tài)恢復(fù)
4.3.3 存儲管理
4.4 算法框架及性能分析
4.4.1 算法框架
4.4.2 性能指標(biāo)
4.4.3 性能分析
4.5 仿真實(shí)驗(yàn)
4.6 比較:分散式卡爾曼濾波(DKF)
4.7 小結(jié)
第5章 高斯動態(tài)貝葉斯網(wǎng)絡(luò)推理算法設(shè)計
5.1 引言
5.2 聯(lián)合樹及其構(gòu)造
5.2.1 概率圖消元
5.2.2 聯(lián)合樹的構(gòu)造
5.3 離散貝葉斯網(wǎng)絡(luò)聯(lián)合樹算法
5.3.1 運(yùn)算定義
5.3.2 證據(jù)引入
5.3.3 消息傳遞策略
5.4 高斯貝葉斯網(wǎng)絡(luò)信息參數(shù)聯(lián)合樹算法
5.4.1 勢函數(shù)
5.4.2 證據(jù)引入
5.4.3 勢函數(shù)運(yùn)算
5.4.4 算例
5.5 高斯貝葉斯網(wǎng)絡(luò)矩參數(shù)懶惰推理算法設(shè)計
5.5.1 研究動機(jī)
5.5.2 矩參數(shù)的推理特點(diǎn)
5.5.3 利用有向圖信息
5.5.4 聯(lián)合樹相關(guān)操作
5.5.5 懶惰算法設(shè)計
5.5.6 算法分析
5.6 動態(tài)貝葉斯網(wǎng)絡(luò)遞增推理算法設(shè)計
5.6.1 前向界面算法
5.6.2 遞增動態(tài)聯(lián)合樹算法設(shè)計
5.7 仿真算例
5.8 小結(jié)
第6章 協(xié)同導(dǎo)航分散式聯(lián)合樹算法設(shè)計
6.1 算法框架
6.2 算法實(shí)現(xiàn)
6.2.1 消元順序的選取
6.2.2 連接樹的建立
6.2.3 消息傳遞
6.3 算法性能分析
6.3.1 計算復(fù)雜度分析
6.3.2 通信復(fù)雜度分析
6.3.3 工作負(fù)載的均衡
6.3.4 比較:前向界面算法
6.4 DKF與DJT(M)比較
6.5 DAIF與DJT(I)比較
6.5.1 矩陣分解與消元
6.5.2 復(fù)雜度比較
6.6 綜合分析
6.7 小結(jié)
附錄A 高斯分布的矩參數(shù)和信息參數(shù)表達(dá)及概率推演
A.1 高斯分布的矩參數(shù)和信息參數(shù)
A.2 邊緣分布
A.3 條件分布
A.4 聯(lián)合分布
A.5 觀測融合
附錄B Cholesky分解算法
B.1 向上看Cholesky分解算法
B.2 向左看cholesky分解算法
B.3 向右看Cholesky分解算法
附錄C 圖論基本概念及最小生成樹算法
C.1 一些圖論的概念
C.2 最小生成樹算法
參考文獻(xiàn)