建模与估计（第2版）

第二版前言
第一版前言
绪论
0．1 估计理论的发展过程和估计问题的分类
0．2 模型参数估计问题
0．3 时间序列、信号、状态估计问题
0．4 信息融合估计问题
0．5 自校正状态与信号估计问题
0．6 自校正状态与信号信息融合估计问题
参考文献
第1章 ARMA模型与状态空间模型
1．1 引言
1．2 随机过程
1．3 自回归滑动平均模型
1．4 ARMA过程的展式
1．5 ARMA过程的相关函数
1．6 状态空间模型
习题
参考文献
第2章 最小二乘法参数估计
2．1 引言
2．2 递推最小二乘法
2．3 加权最小二乘法
2．4 递推增广最小二乘法
2．5 两段RLS-RELS算法——改进的RELS算法
2．6 两段RLS-LS算法
2．7 递推辅助变量算法及其收敛性
2．8 偏差补偿递推最小二乘法
2．9 多重RLS算法
2．10 多维RLS算法
习题
参考文献
第3章 状态与信号的最优估计——经典Kalman滤波与时域Wiener滤波
3．1 引言
3．2 射影理论
3．3 Kalman滤波器和预报器
3．4 Kalman平滑器
3．5 白噪声估值器
3．6 信息滤波器
3．7 稳态Kalman滤波
3．8 基于Kalman滤波的时域Wiener滤波方法
3．9 平稳和非平稳向量ARMA过程的Box-Jenkins递推预报器
3．10 ARMA过程的、Astrom预报器
习题
参考文献
第4章 多传感器最优信息融合估计-Kalman滤波方法
4．1 引言
4．2 三种加权多传感器最优信息融合准则
4．3 多传感器信息融合Kalman滤波器和预报器
4．4 多传感器信息融合稳态Kalman滤波器和预报器
4．5 分布式信息融合ARMA信号Wiener滤波器
4．6 ，加权观测融合Kalman滤波器
4．7 加权观测融合Wiener信号滤波器
4：8带不同观测阵的两种加权观测融合Kalman滤波器的功能等价性
习题
参考文献
第5章 状态与信号的最优估计——现代时间序列分析方法导论
5．1 引言
5．2 构造ARMA新息模型的Gevers-Wouters算法
5．3 统一的稳态最优白噪声估计理论
5．4 多通道ARMA信号Wiener滤波器
5．5 基于ARMA新息模型的稳态Kalman滤波器和预报器
习题
参考文献
第6章 多传感器最优信息融合估计——现代时间序列分析方法
6．1 引言
6．2 多传感器信息融合白噪声反卷积估值器
6．3 多通道ARMA信号信息融合Wiener滤波器
6．4 信息融合稳态Kalman滤波器和预报器
6．5 加权观测融合稳态Kalman滤波器
6．6 加权观测融合Wiener信号滤波器
习题
参考文献
第7章 自校正估计与自校正信息融合估计
7．1 引言
7．2 自校正α-β跟踪滤波器
7．3 自校正对角阵加权信息融合Kalman滤波器及其收敛性分析
7．4 自校正加权观测融合Kalman滤波器
7．5 多变量ARMA信号自校正滤波器
7．6 自校正信号检测数字滤波器
习题
参考文献
附录1 稳态Kalman滤波算法Matlab仿真通式
附录2 三种加权信息融合算法Matlab仿真通式
附录3 构造ARMA新息模型的Gevers-Wouters算法Matlab仿真通式
附录4 RLS-RELS算法Matlab仿真通式
附录5 RELS算法Matlab仿真通式