随着对非线性滤波技术研究的日益深入，非线性滤波理论也取得了显著进

步，尤其是近20年以来，国内外大量学者在非线性滤波方面进行了深入的理论研究和探索，取得了许多重大的科研成果，出现了一些经典的非线性滤波方法，尤其是以Sigma点卡尔曼滤波和粒子滤波为代表的新兴非线性滤波理论的发展成熟，使得非线性滤波理论取得了长足的发展。

赵琳、王小旭、李亮、孙明编著的《非线性系统滤波理论（精）》总结了近20年来国内外学者在非线性滤波理论方面所取得的一些重大理论成果，介绍了非线性滤波理论的新思想，分析和阐述了各种非线性滤波器的特点，反映了目前国内外非线性滤波理论的研究前沿，预示了非线性滤波理论的发展方向；同时针对目前非线性滤波所存在的问题和理论局限性，本书还融人了作者近年来在非线性滤波领域所取得的最新研究，希望可以为非线性滤波技术在实际工程中的应用提供一定的理论参考和借鉴。

《非线性系统滤波理论（精）》总结了近20年来国内外学者在非线性滤波理论方面所取得的一些重大理论成果，介绍了非线性滤波理论的新思想，分析和阐述了各种非线性滤波器的特点，反映了目前国内外非线性滤波理论的研究前沿，预示了非线性滤波理论的发展方向；同时针对目前非线性滤波所存在的问题和理论局限性，本书还融人了作者近年来在非线性滤波领域所取得的最新研究，希望可以为非线性滤波技术在实际工程中的应用提供一定的理论参考和借鉴。

赵琳、王小旭、李亮、孙明编著的《非线性系统滤波理论（精）》全书共分9章。第1章简要介绍滤波的概念、非线性滤波理论的应用背景及产生发展过程；第2章概述估计理论基础与线性系统卡尔曼滤波；第3章以递推贝叶斯滤波为基本理论框架介绍非线性最优滤波及次优滤波；第4章详细介绍扩展卡尔曼滤波器及强跟踪滤波器；第5章重点阐述新兴的非线性sigma点卡尔曼滤波，包括unscented卡尔曼滤波和中心差分卡尔曼滤波；第6章针对系统模型不确定性，全面介绍sigma点卡尔曼滤波技术的新发展，包括自适应Sigma点卡尔曼滤波器、强跟踪Sigma点卡尔曼滤波、噪声相关条件下Sigma点卡尔曼滤波；第7章系统介绍粒子滤波的基本理论；第8章针对粒子滤波的退化问题，介绍粒子滤波的优化算法；第9章介绍神经网络在非线性滤波中的应用。

第1章 绪论

 1．1 引言

 1．2 卡尔曼滤波理论发展及应用

 1．3 sigrna点卡尔曼滤波理论的发展及应用 

 1．4 粒子滤波概述

1．4．1 粒子滤波的发展及应用

1．4．2 粒子滤波的缺点及优化

 参考文献

第2章 估计理论基础与线性系统卡尔曼滤波

 2．1 估计理论基础

2．1．1 最小二乘估计

2．1．2 最小方差估计

2．1．3 线性最小方差估计

 2．2 线性离散系统卡尔曼滤波

2．2．1 白噪声和有色噪声

2．2．2 随机线性离散系统数学模型

2．2．3 随机线性连续系统数学模型及其离散化

2．2．4 线性离散系统卡尔曼滤波基本方程

2．2．5 线性离散系统卡尔曼滤波的直观推导

2．2．6 带确定控制项和量测偏差的卡尔曼滤波

2．2．7 噪声相关的卡尔曼滤波

2．2．8 有色噪声条件下的卡尔曼滤波

 2．3 卡尔曼滤波稳定性的判别和滤波发散的抑制

2．3．1 稳定性的概念

2．3．2 随机线性系统的可控性和可量测性

2．3．3 卡尔曼滤波稳定性的判别

2．3．4 卡尔曼滤波发散的原因及克服方法

2．3．5 一线性离散系统的UD分解滤波

 2．4 自适应卡尔曼滤波

2．4．1 相关法自适应滤波

2．4．2 Sage—Husa自适应卡尔曼滤波

2．4．3 基于极大似然准则的自适应卡尔曼滤波

 参考文献

第3章 非线性系统最优滤波及次优滤波

 3．1 递推贝叶斯滤波

 3．2 非线性高斯系统最优滤波及次优滤波

3．2．1 非线性高斯系统最优滤波

3．2．2 非线性贝叶斯滤波所面临的挑战

3．2．3 次优滤波

 3．3 非线性非高斯系统粒子滤波

 参考文献

第4章 扩展卡尔曼滤波与强跟踪滤波

 4．1 非线性离散系统扩展卡尔曼滤波器

 4．2 强跟踪滤波器(STF)简介

4．2．1 STF的提出

4．2．2 正交性原理

 4．3 带次优渐消因子的扩展卡尔曼滤波器(SFEKF)

4．3．1 最优渐消因子

4．3．2 次优渐消因子

 4．4 带多重次优渐消因子的扩展卡尔曼滤波器(SMFEKF)

 4．5 相关噪声条件下的SMFEKF算法

 4．6 有色噪声干扰下的SMFEKF算法

4．6．1 系统噪声为有色噪声而量测噪声为白噪声情况下的SMFEKF

4．6．2 系统噪声为白噪声而量测噪声为有色噪声情况下的SMFEKF

参考文献

第5章 Sigma点卡尔曼滤波

 5．1 Unscented卡尔曼滤波器(UKF)

5．1．1 UT变换

5．1．2 UT变换采样策略选择依据

5．1．3 采样策略简介

5．1．4 UT变换精度分析

5．1．5 UKF实现

 5．2 中心差分卡尔曼滤波器(CDKF)

5．2．1 Stiiling差值公式 

5．2．2 计算后验均值和协方差

5．2．3 CDKF实现

5．2．4 CDKF的Sigma点表示

 5．3 平方根SPKF

5．3．1 平方根UKF

5．3．2 平方根CDKF

 5．4 数值实例

5．4．1 强非线性情况下：EKF与UKF精度比较

5．4．2 状态方程不连续情况下EKF与UKF精度比较

 参考文献

第6章 Sigma点卡尔曼滤波技术新发展

 6．1 非线性高斯系统最优自适应滤波器

6．1．1 常值噪声统计估计器

6．1．2 无偏性分析

6．1．3 时变噪声统计估计器

 6．2 带噪声统计估计器的SPKF

6．2．1 带噪声统计估计器的UKF 

6．2．2 带噪声统计估计器的CDKF

6．2．3 数值实例

 6．3 强跟踪SPKF 

6．3．1 强跟踪UKF 

6．3．2 强跟踪CI)KF

 6．4 噪声相关条件下SPKF

6．4．1 噪声相关条件下非线性高斯系统最优滤波器

6．4．2 噪声相关UKF 

6．4．3 噪声相关CDKF’

 参考文献

第7章 粒子滤波

 7．1 蒙特卡罗方法

7．1．1 蒙特卡罗积分基本原理

7．1．2 蒙特卡罗积分的收敛性

7．1．3 蒙特卡罗积分的实现步骤和特点

7．1．4 三种蒙特卡罗采样方法

 7．2 序贯重要性采样

 7．3 退化问题与解决方法

7．3．1 重要性权值的退化问题

7．3．2 重要性密度函数的选择

7．3．3 重采样算法

 7．4 标准粒子滤波算法

 7．5 数值实例

 参考文献

第8章 粒子滤波算法的优化

 8．1 粒子滤波存在的问题

 8．2 避免粒子贫化

8．2．1 传统解决方法

8．2．2 智能优化重采样策略

 8．3 降低计算复杂度

8．3．1 边沿化滤波策略

8．3．2 自适应粒子滤波

 8．4 优选重要性密度函数

8．4．1 辅助粒子滤波

8．4．2 扩展卡尔曼粒子滤波

8．4．3 Sigma点粒子滤波

8．4．4 高斯采样粒子滤波

 参考文献

第9章 神经网络与滤波的结合及应用

 9．1 前馈神经网络基础

9．1．1 人工神经网络的发展与应用

9．1．2 神经元模型

9．1．3 神经网络结构和学习规则

 9．2 BP神经网络及其算法

9．2．1 BP神经网络

9．2．2 BP算法

9．2．3 BP神经网络的优缺点

 9．3 BP神经网络辅助EKF 

9．3．1 协方差匹配法

9．3．2 BP神经网络用于辨识EKF噪声协方差．

 9．4 EKF在径向基神经网络训练中的应用

9．4．1 径向基神经网络

9．4．2 基于梯度下降的径向基网络训练算法

9．4．3 基于EKF的径向基网络训练算法

9．4．4 解耦EKF训练算法

 9．5 基于UKF的神绎网络训练方法及应用

9．5．1 权值自适应调整的UKF训练方法

9．5．2 UKF神经网络训练方法在全局信息融合中的应用

 9．6 Hopfield神经网络数据关联滤波算法及应用

9．6．1 联合概率数据关联滤波算法

9．6．2 Hopfield神经网络数据关联滤波算法

9．6．3 Hopfield神经网络在多目标跟踪中的应用

 参考文献