第1章 绪论
1.1 引言
1.2 多传感器最优信息融合Kalman滤波
1.2.1 集中式融合与分布式融合方法
1.2.2 状态融合与观测融合方法
1.3 不确定系统鲁棒Kalman滤波
1.3.1 系统的不确定性
1.3.2 噪声方差不确定性
1.3.3 模型参数不确定性
1.3.4 系统观测不确定性
1.3.5 鲁棒性
1.4 鲁棒Kalman滤波方法
1.4.1 Riccati方程方法
1.4.2 线性矩阵不等式（LMI）方法
1.4.3 极大极小鲁棒滤波方法
1.4.4 最优鲁棒滤波方法
1.4.5 协方差交叉（CI）融合鲁棒Kalman滤波方法
1.5 鲁棒Kalman滤波研究现状
1.5.1 仅含不确定噪声方差系统鲁棒Kalman滤波
1.5.2 仅含范数有界不确定参数系统鲁棒Kalman滤波
1.5.3 仅含乘性噪声系统鲁棒Kalman滤波
1.5.4 混合不确定网络化系统最优鲁棒Kalman滤波
1.5.5 混合不确定网络化系统极大极小鲁棒融合Kalman滤波
1.6 极大极小鲁棒融合估计理论及应用、方法论、主要贡献和创新
1.6.1 本书最新研究成果
1.6.2 主要贡献和创新
1.7 面临的挑战性问题
参考文献
第2章 最优估计方法
2.1 WLS估计方法
2.2 LUMV估计方法
2.3 LMV估计方法——正交投影方法，新息分析方法
2.4 最优加权状态融合估计方法
2.4.1 按矩阵加权最优状态融合估计方法
2.4.2 按标量加权最优状态融合估计方法
2.4.3 按对角阵加权最优状态融合估计方法
2.5 最优加权观测融合估计方法
2.5.1 加权观测融合数据压缩准则
2.5.2 加权观测融合算法
2.5.3 加权观测融合算法的全局最优性
参考文献
第3章 最优Kalman滤波
3.1 引言
3.2 状态空间模型与ARMA模型
3.2.1 状态空间模型与Kalman滤波问题
3.2.2 ARMA模型与状态空间模型的关系
3.3 最优Ka|man滤波
3.3.1 Kalman滤波器和预报器
3.3.2 Kalman平滑器
3.3.3 信息滤波器
3.4 Kalman滤波的稳定性
3.5 稳态Kalman滤波
3.5.1 稳态Kalman估值器
3.5.2 稳态Kalman滤波的收敛性
3.6 白噪声估值器
3.7 相关噪声系统时变和稳态Kalman滤波和白噪声反卷积
参考文献
第4章 鲁棒融合Kalman滤波新方法和关键技术
4.1 基于Lyapunov方程方法的极大极小鲁棒融合Kalman滤波方法
4.1.1 鲁棒局部稳态Kalman预报器
4.1.2 鲁棒加权状态融合稳态Kalman预报器
4.1.3 仿真应用例子
4.2 改进的协方差交叉(CI)融合鲁棒Kalman滤波方法
4.2.1 协方差椭圆及其性质
4.2.2 CI融合估计的几何原理
4.2.3 CI融合算法推导
4.2.4 最优参数ω的选择
4.2.5 CI融合器的鲁棒性
4.2.6 批处理协方差交叉(BCI)融合鲁棒估值器
4.2.7 改进的CI融合鲁棒Kalman估值器
4.2.8 序贯协方差交叉(SCI)融合鲁棒估值器
4.2.9 改进的scI融合鲁棒Kalman估值器
4.2.10 仿真应用例子
4.2.11 并行协方差交叉(PCI)和改进的PCI融合鲁棒估值器
4.3 基于虚拟噪声技术和广义Lyapunov方程的极大极小鲁棒Kalman滤波方法
4.3.1 带不确定噪声方差和乘性噪声系统鲁棒融合稳态Kalman预报器
4.3.2 带不确定噪声方差和丢失观测系统鲁棒稳态Kalman预报器
4.3.3 带不确定噪声方差和丢包系统鲁棒稳态Kalman预报器
4.3.4 带不确定噪声方差和随机观测滞后系统鲁棒稳态Kalman预报器
4.3.5 带不确定噪声方差、随机观测滞后和丢失观测系统鲁棒稳态Kalman预报器
4.4 混合不确定网络化系统极大极小鲁棒Kalman滤波的关键技术
参考文献
第5章 不确定系统改进的CI融合鲁棒Kalman估值器
5.1 引言
5.2 带丢失观测和不确定噪声方差系统改进的CI融合鲁棒稳态Kalman滤波器
5.2.1 鲁棒局部稳态Kalman滤波器
5.2.2 改进的CI融合鲁棒稳态Kalman滤波器
5.3 带乘性噪声和不确定噪声方差系统改进的cI融合鲁棒稳态Kalman预报器
5.3.1 鲁棒局部稳态Kalman预报器
5.3.2 改进的CI融合鲁棒稳态Kalman预报器
5.4 带不确定方差线性相关白噪声系统改进的CI融合鲁棒稳态Kalman估值器
5.4.1 鲁棒局部稳态Kalman预报器
5.4.2 鲁棒局部稳态Kalman滤波器和平滑器
5.4.3 改进的CI融合鲁棒稳态Kalman估值器
5.5 仿真例子
5.6 本章小结
参考文献
第6章 带混合不确定性网络化系统加权状态融合鲁棒Kalman估值器
6.1 引言
6.2 鲁棒局部时变Kalman预报器
6.3 鲁棒局部时变Kalman滤波器和平滑器
6.4 加权状态融合鲁棒时变Kalman估值器
6.5 局部和融合鲁棒稳态Kalman估值器及收敛性分析
6.6 仿真应用例子
6.7 本章小结
参考文献
第7章 不确定多模型系统加权状态融合鲁棒Kalman估值器
7.1 引言
7.2 多模型系统加权状态融合鲁棒Kalman估值器

邓自立、刘文强、王雪梅、杨春山著的《鲁棒融合估计理论及应用》系统地介绍了由邓自立教授等提出的混合不确定多传感器网络化系统的鲁棒融合估计新方法、新理论及应用。新方法包括基于虚拟噪声技术和广义Lyapunov方程的极大极小鲁棒融合Kalman滤波方法和改进的协方差交叉融合鲁棒Kalman滤波方法。新理论包括通用的极大极小鲁棒融合Kalman滤波理论；通用的协方差交叉融合鲁棒Kalman滤波理论；鲁棒融合白噪声反卷积滤波理论；鲁棒融合估值器按实现收敛性理论。内容包括局部、集中式和分布式融合，状态融合与观测融合，加权融合，协方差交叉融合鲁棒Kalman估值器，以及它们的鲁棒性分析、精度分析、收敛性分析和算法复杂性分析。
本书反映了鲁棒融合估计领域的新研究成果，并含有大量仿真应用例子，可作为高等学校信息科学与技术和控制科学与工程有关专业研究生的教材或参考书，且对在信号处理、控制、航天、深空探测、导航、制导、目标跟踪、无人机、机器人、卫星定位、遥感、移动通信、石油地震勘探等领域从事不确定网络化系统鲁棒融合估计理论及应用的科研和工程技术人员也有重要参考价值。