第1章  緒論
  1.1  研究背景
  1.2  多運(yùn)動(dòng)平臺(tái)協(xié)同導(dǎo)航的相關(guān)研究
  1.3  分散式數(shù)據(jù)融合技術(shù)
    1.3.1  多傳感器目標(biāo)跟蹤
    1.3.2  傳感器網(wǎng)絡(luò)的校準(zhǔn)
  1.4  分散式協(xié)同導(dǎo)航算法研究
  1.5  貝葉斯網(wǎng)絡(luò)推理算法
    1.5.1  算法分類
    1.5.2  幾種推理算法
  1.6  機(jī)器人同步定位與建圖(SLAM)的啟示
第2章  多運(yùn)動(dòng)平臺(tái)協(xié)同導(dǎo)航的數(shù)學(xué)模型
  2.1  協(xié)同導(dǎo)航系統(tǒng)特征分析
  2.2  協(xié)同導(dǎo)航的狀態(tài)空間模型
    2.2.1  單平臺(tái)的狀態(tài)空間模型
    2.2.2  平臺(tái)系統(tǒng)的狀態(tài)空間模型
    2.2.3  狀態(tài)空間模型小結(jié)
  2.3  協(xié)同導(dǎo)航的概率圖模型
    2.3.1  概率圖模型
    2.3.2  動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)表達(dá)
    2.3.3  馬爾可夫隨機(jī)場(chǎng)
  2.4  小結(jié)
第3章  協(xié)同導(dǎo)航增廣信息濾波算法
  3.1  協(xié)同導(dǎo)航的高斯濾波
    3.1.1  高斯濾波
    3.1.2  矩參數(shù)表達(dá)
    3.1.3  信息參數(shù)表達(dá)
  3.2  協(xié)同導(dǎo)航的增廣信息濾波
  3.3  基于矩陣分解的狀態(tài)恢復(fù)算法
    3.3.1  均值恢復(fù)
    3.3.2  協(xié)方差按列恢復(fù)
    3.3.3  稀疏協(xié)方差恢復(fù)
  3.4  增廣信息濾波的馬爾可夫隨機(jī)場(chǎng)
  3.5  小結(jié)
第4章  協(xié)同導(dǎo)航分散式增廣信息濾波算法設(shè)計(jì)
  4.1  單平臺(tái)局部數(shù)據(jù)融合
    4.1.1  狀態(tài)添加
    4.1.2  觀測(cè)更新
    4.1.3  狀態(tài)消元
  4.2  分布式遞增Cholesky修正算法
    4.2.1  矩陣的Cholesky分解
    4.2.2  遞增Cholesky修正
    4.2.3  遞增的狀態(tài)恢復(fù)
    4.2.4  分布式遞增Cholesky修正
    4.2.5  關(guān)于選取Cholesky分解算法的討論
  4.3  基于遞增Cholesky修正的分散式狀態(tài)恢復(fù)
    4.3.1  遞增Cholesky修正
    4.3.2  狀態(tài)恢復(fù)
    4.3.3  存儲(chǔ)管理
  4.4  算法框架及性能分析
    4.4.1  算法框架
    4.4.2  性能指標(biāo)
    4.4.3  性能分析
  4.5  仿真實(shí)驗(yàn)
  4.6  比較：分散式卡爾曼濾波(DKF)
  4.7  小結(jié)
第5章  高斯動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理算法設(shè)計(jì)
    5.1  引言
  5.2  聯(lián)合樹及其構(gòu)造
    5.2.1  概率圖消元
    5.2.2  聯(lián)合樹的構(gòu)造
  5.3  離散貝葉斯網(wǎng)絡(luò)聯(lián)合樹算法
    5.3.1  運(yùn)算定義
    5.3.2  證據(jù)引入
    5.3.3  消息傳遞策略
  5.4  高斯貝葉斯網(wǎng)絡(luò)信息參數(shù)聯(lián)合樹算法
    5.4.1  勢(shì)函數(shù)
    5.4.2  證據(jù)引入
    5.4.3  勢(shì)函數(shù)運(yùn)算
    5.4.4  算例
  5.5  高斯貝葉斯網(wǎng)絡(luò)矩參數(shù)懶惰推理算法設(shè)計(jì)
    5.5.1  研究動(dòng)機(jī)
    5.5.2  矩參數(shù)的推理特點(diǎn)
    5.5.3  利用有向圖信息
    5.5.4  聯(lián)合樹相關(guān)操作
    5.5.5  懶惰算法設(shè)計(jì)
    5.5.6  算法分析
  5.6  動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)遞增推理算法設(shè)計(jì)
    5.6.1  前向界面算法
    5.6.2  遞增動(dòng)態(tài)聯(lián)合樹算法設(shè)計(jì)
  5.7  仿真算例
  5.8  小結(jié)
第6章  協(xié)同導(dǎo)航分散式聯(lián)合樹算法設(shè)計(jì)
  6.1  算法框架
  6.2  算法實(shí)現(xiàn)
    6.2.1  消元順序的選取
    6.2.2  連接樹的建立
    6.2.3  消息傳遞
  6.3  算法性能分析
    6.3.1  計(jì)算復(fù)雜度分析
    6.3.2  通信復(fù)雜度分析
    6.3.3  工作負(fù)載的均衡
    6.3.4  比較：前向界面算法
  6.4  DKF與DJT(M)比較
  6.5  DAIF與DJT(I)比較
    6.5.1  矩陣分解與消元
    6.5.2  復(fù)雜度比較
  6.6  綜合分析
  6.7  小結(jié)
附錄A  高斯分布的矩參數(shù)和信息參數(shù)表達(dá)及概率推演
  A.1  高斯分布的矩參數(shù)和信息參數(shù)
  A.2  邊緣分布
  A.3  條件分布
  A.4  聯(lián)合分布
  A.5  觀測(cè)融合
附錄B  Cholesky分解算法
  B.1  向上看Cholesky分解算法
  B.2  向左看cholesky分解算法
  B.3  向右看Cholesky分解算法
附錄C  圖論基本概念及最小生成樹算法
  C.1  一些圖論的概念
  C.2  最小生成樹算法
參考文獻(xiàn)