前言

针对现有以Kalman滤波器为主流的扩展Kalman滤波器（EKF）、无迹Kalman滤波器（UKF）、容积Kalman滤波器（CKF）等不能有效应用于非高斯系统，而粒子滤波器（PF）又存在因依赖于难以获得的系统状态密度函数、过度粒子采样引发高计算复杂度、粒子群退化造成滤波性能下降等瓶颈难题，本书作者经过十余年的努力，创建了以状态误差特征函数线性传播机制为基础的特征函数滤波器，极大地方便了针对非线性非高斯系统的参数辨识与状态估计。

本书是关于非线性非高斯系统参数辨识与状态估计的一本专著，主要汇集了作者所领导的研究组近年来的研究与应用成果，包括特征函数建模、目标函数构建和特征函数滤波器设计，分布式多传感器系统的集中式融合滤波器、并行式融合滤波器和序贯式融合滤波器设计，极坐标系与直角坐标系混合环境下的目标跟踪方法，深度神经网络模型参数和非线性输入输出系统参数的在线辨识，非线性系统参数与状态联合估计方法，装备故障诊断与寿命预测等方面。

2008年，由科学出版社出版的本书作者专著《多尺度动态建模理论及其应用》，汇集的是作者在2002—2008年之间的研究成果。本书主要以非线性非高斯系统参数辨识与状态估计理论的方法为主导。据调查，目前国内还不多见关于非线性非高斯系统参数辨识与状态估计方面的专著。本书的出版对推动该领域的研究和应用将产生积极的影响，具有较高的学术价值和广泛的工程应用前景。

本书所建立的新型特征函数滤波器适用于解决困绕深度学习强非线性模型参数的收敛性训练、复杂系统随工况变化的模型参数自适应辨识、联邦学习框架中各客户端模型个性化设计、输入输出强非线性动态系统参数自适应更新、工业装备和设备寿命预测等难题。

全书共14章。第1章为绪论，第2章介绍几种典型的滤波器设计方法，第3章介绍线性状态模型与一维非线性观测模型的特征函数滤波器，第4章介绍线性状态模型与多维非线性观测模型的特征函数滤波器，第5章介绍弱非线性状态与强非线性观测模型的特征函数滤波器，第6章介绍非线性状态模型与强非线性观测模型的高阶扩维特征函数滤波器，第7章介绍强非线性复杂系统的一型高阶特征函数滤波器设计，第8章介绍强非线性系统的二型高阶特征复杂函数滤波器设计，第9章介绍强非线性复杂系统的三型高阶特征函数滤波器设计，第10章介绍多传感器状态融合估计的特征函数滤波方法，第11章介绍极坐标系与直角坐标系混合环境下的目标跟踪方法，第12章介绍深度神经网络模型参数自适应辨识方法，第13章介绍设备寿命预测系统参数在线辨识方法，第14章介绍超非线性输入输出系统参数在线辨识方法。

本书所涉及的研究成果得到多方支持，其中特别感谢国家自然科学基金委员会资助的重点项目“大型船舶动力系统运营全寿命周期故障预测与智能健康管理”（U1509203）、“不确定小样本环境下优化决策规则的提取与深度学习”（61751304）、“深海载人潜水器的精细容错控制与自救技术”（61733009）、“车载大功率电力电子变压器鲁棒容错控制”（61733015）、“船舶电力推进系统状态监测与故障诊断的信息融合方法”（U1709215）、“高速列车自主协同运行控制理论与方法研究”（U1934221）、“大型石化装置异常工况智能诊断、预测与维护”（61933013）、“边缘云计算架构下高速铁路运行控制系统设备故障诊断（62120106011）”、“面向虚拟编组的城轨列车群调控一体化理论与关键技术（U22A2046）”和部分面上项目（61973103、61973209、52172323），广东省机器人与智能系统重点实验室开放基金。

受作者理论水平有限及研究工作的局限性，特别是由于非线性滤波器设计理论与方法本身正处在不断发展之中，本书肯定存在错漏之处，恳请广大读者批评指正。

文成林
2023年3月