本书讨论飞行器试验中常用的基本统计理论和方法。首先论述线性模型参数估计中的最小二乘方理论，并针对运用最小二乘方法出现的弊端提出了改进方法，如岭估计、压缩估计方法等。对于线性动力学系统的状态估计，讨论了Kalman滤波方法及自适应滤波技术。为了能在少量试验之下进行试验统计分析，论述了Bayes统计方法，并对仿真试验结果的分析作一般讨论。本书注重应用，所论内容具有实际背景，可作为大学相关专业的教材以及从事试验结果分析的工程技术人员参考。

1 引论
1.1 飞行器试验统计学研究的对象、特点及主要问题
1.2 内容梗概
2 随机过程导论
2.1 随机过程的概念
2.2 随机过程的概率分布
2.3 随机过程的数字特征
2.4 随机过程的基本分类
2.5 两个随机过程的联合分布和数字特征
2.6 平稳随机过程
2.7 平稳过程的各态历经性
2.8 平稳过程的能量谱密度
2.9 向量随机过程
2.10 平稳过程通过线性定常系统后的概率特性分析
参考文献
3 线性模型参数估计的最小二乘方理论
3.1 线性模型的表达
3.2 线性模型参数的最小二乘方估计及其性质
3.3 递推最小二乘方估计
3.4 多维递推最小二乘方估计
3.5 线性约束条件下的最小二乘方估计
参考文献
4 线性模型参数估计的改进
4.1 最小二乘方估计存在的弊端
4.2 具有超椭球约束的最小二乘方估计
4.3 岭估计方法
4.4 线性估计的改进问题
4.5 MSE准则下岭估计与LS估计的比较
4.6 James-Stein 估计
4.7 广义压缩最小二乘方估计
参考文献
5 Kalman 滤波方法
5.1 线性系统的表示
5.2 状态估计问题
5.3 Kalman 滤波的基本方程
5.4 .时间连续的线性无偏最小方差估计
5.5 连续一离散滤波方程
5.6 Kalman 滤波与最小二乘方估计的关系
5.7 噪声互相关情况下的系统滤波
5.8 有色噪声条件下的系统滤波
参考文献
6 非线性模型下的滤波方法
6.1 线性化滤波方法
6.2 广义Kalman滤波方法
6.3 广义Kalman滤波在应用中的简化
6.4 线性化滤波中估值偏倚的估计
6.5 二阶广义Kalman次佳滤波
6.6 非线性离散时间系统的代滤波方法
参考文献
7 滤波的工程实现与自适应技术
7.1 新息序列及其性质
7.2 滤波过程中新息序列|vk|的均值检验
7.3 当v的均值不为零时估值的补偿
7.4 滤波模型和实际系统的一致性识别
7.5 滤波发散及其识别举例
7.6 自适应估计中的0补偿法
7.7 滤波模型中的偏倚及噪声协方差阵的直接递推
估计方法
7.8 Jazwinski有限记忆滤波方法
7.9 衰减记忆滤波
7.10 平方根滤波方法（J.E.Potter方法）
参考文献
8 Bayes统计分析方法
8.1 Bayes统计分析方法的基本思想
8.2 验前信息的获取和表示
8.3 Bayes估计
8.4 Bayes假设检验
本章结语
参考文献
9 仿真试验及其分析
9.1 概述
9.2 系统仿真结果和真实系统试验结果的一致性验证
9.3 仿真结果分析
9.4 仿真与Bayes统计推断
参考文献
10 飞行试验结果分析
10.1 最佳弹道估计的基本思想
10.2 运用Kalman 滤波进行误差分离的方法
10.3 弹道参数的最佳综合
参考文献
附录A 向量代数
A1 向量空间和子空间
A2 向量空间的基底
A3 线性方程
A4 具有内积的向量空间及有关性质
附录B 矩阵基础
B1 矩阵及其基本运算、矩阵的对角化
B2 线性变换
B3 分块矩阵的求逆
B4 广义逆
B5 线性方程组的解——A-，A+的应用
B6 特征根及特征向量
B7 矩阵的谱分解
B8 对称阵的谱分解及两个对称阵的同时对角化
B9 幂等阵与投影阵
B10 二次形的极值
B11 矩阵的拉直及叉积（Kronecker积）
B12 矩阵微分