1.3　本书主要内容与安排

本书分为基础篇、现代篇、现在篇、未来篇和应用篇5个部分，共由14章组成。

1．第一部分：基础篇

基础篇包括第1章和第2章。

第1章是绪论，主要介绍本书研究背景、滤波技术发展情况与国内外研究现状等。

第2章是典型滤波方法介绍。针对线性白噪声环境，介绍传统的卡尔曼滤波器和相应的滤波方法；针对非线性白噪声环境，介绍扩展卡尔曼滤波器、基于数据采样逼近非线性的无迹卡尔曼滤波器；针对非线性非高斯环境，介绍基于概率密度函数样本采样的粒子滤波器。主要介绍上述滤波器的性能、适用环境及存在的问题与不足。

2．第二部分：现代篇

现代篇包括第3章和第4章。

第3章主要针对由多维线性状态模型和一维非线性观测模型组成的动态系统，介绍状态估计求解的特征函数滤波器设计过程，并对原始特征函数滤波器的优点与不足进行深入分析。主要包括线性状态与一维非线性观测系统描述、向量参数性能指标设置、特征函数滤波器设计与计算机数值仿真等。

第4章将针对一维非线性观测模型的特征函数滤波器拓展到多维非线性观测模型。针对由多维线性状态模型和多维非线性观测模型组成的动态系统，介绍状态估计求解的特征函数滤波器设计过程。主要包括线性状态与多维非线性观测系统描述、矩阵参数性能指标设置、多维非线性观测模型特征函数滤波器设计与计算机数值仿真等。

3．第三部分：现在篇

现在篇包括第5章和第6章。

第5章主要针对由多维弱非线性状态模型与多维强非线性观测模型组成的动态系统，介绍状态估计求解的特征函数滤波器设计过程。主要包括多维弱非线性状态模型与多维强非线性观测模型系统描述、弱非线性状态模型的两种线性化方法、滤波器性能指标设置、特征函数滤波器设计与计算机数值仿真等。在本章中，作者首次设计出针对非线性状态模型的特征函数滤波器。

第6章主要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。通过对非线性函数进行高阶泰勒展开并引入隐变量，将非线性函数与隐变量结合起来扩维的方式来实现线性化，使得系统模型满足特征函数滤波器的条件，解决了传统方法在线性化过程中由于低阶近似造成的截断误差的影响。在本章中，作者首次利用泰勒展开式中的二阶余项，设计出非线性状态模型的二阶特征函数滤波器。

4．第四部分：未来篇

未来篇由第7～9章组成，重点针对由强非线性状态模型与强非线性观测模型组成的非高斯系统，建立三种类型的特征函数滤波器。对状态模型进行 r 阶连续导数展开，建立基于 r +1阶余项的 r 阶特征函数滤波器；对状态模型和观测模型同时进行 r 阶连续导数展开，舍去 r +1阶余项后，建立基于状态建模误差和观测建模误差双特征函数的 r 阶特征函数滤波器；对状态模型和观测模型同时进行 r 阶连续导数展开，建立基于 r +1阶余项及状态和观测建模误差双特征函数的 r +1阶特征函数滤波器。

5．第五部分：应用篇

应用篇包括第10～14章。

第10章介绍多传感器状态融合估计的特征函数滤波方法。针对多属性目标状态估计精度问题，利用前面几章已建立的特征函数滤波器，设计出适用于各局部数据同时到达的高精度集中式融合滤波器、适用于多核运算的并行式融合滤波器、适用于网络传输存在时延和丢包的序贯式融合滤波器。

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。这种方法针对在直角坐标系下描述的线性动态模型和在极坐标系下描述的强非线性观测模型，解决了传统方法需要将极坐标系下的强非线性观测模型转化为直角坐标系下的线性观测模型，从而引入大的截断误差，造成跟踪精度低的问题。

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。本章基于戴维南定理建立电路模型来描述SOC与电流之间的关系，提出设备寿命预测参数估计特征函数滤波方法，以解决现有方法因输出模型强非线性而造成参数估计精度低，从而导致设备寿命预测不精确的问题。

第14章介绍超非线性输入输出系统参数在线辨识方法。本章针对实际中广泛存在的强非线性输入输出动态系统，通过引入隐变量并建立其估计值的复合参数模型，设计出参数辨识的特征函数滤波方法。 PJBzqsD7rIBlwINTipwxvHxAoDcgz4/omIOzUFS8GPbC8BXDfa0Ig5CRFrOJGtKA