| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文主要工作及内容安排 | 第13-15页 |
| 第二章 粒子滤波TBD算法原理 | 第15-36页 |
| 2.1 贝叶斯滤波 | 第15-16页 |
| 2.2 粒子滤波 | 第16-22页 |
| 2.2.1 贝叶斯重要性采样 | 第16-18页 |
| 2.2.2 序贯重要性采样算法 | 第18-19页 |
| 2.2.3 重要密度函数的选择 | 第19-20页 |
| 2.2.4 重采样 | 第20-22页 |
| 2.3 粒子滤波检测前跟踪算法(PF-TBD) | 第22-33页 |
| 2.3.1 基于红外观测的TBD建模 | 第23-25页 |
| 2.3.2 基于雷达的TBD建模 | 第25-27页 |
| 2.3.3 基于目标存在变量的SPF-TBD算法 | 第27-29页 |
| 2.3.4 基于未归一化权值的RPF-TBD算法 | 第29-33页 |
| 2.4 基于MM算法的粒子滤波及PF-TBD算法 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于裂变自举的PSOPF及其TBD算法研究 | 第36-64页 |
| 3.1 粒子群粒子滤波算法 | 第36-42页 |
| 3.1.1 粒子群优化算法基本原理 | 第36-40页 |
| 3.1.2 粒子群优化粒子滤波算法原理 | 第40-42页 |
| 3.2 裂变自举处理算法原理 | 第42-44页 |
| 3.3 粒子群-裂变自举-粒子滤波算法 | 第44-47页 |
| 3.3.1 基于PSO-SFN的PF算法 | 第44-45页 |
| 3.3.2 基于IMM的PSO-SFN-PF算法 | 第45-47页 |
| 3.4 基于粒子群-裂变自举-粒子滤波的TBD算法 | 第47-52页 |
| 3.4.1 基于PSOSFN的RPF-TBD算法 | 第47-50页 |
| 3.4.2 基于MM的PSOSFNRPF-TBD算法 | 第50-52页 |
| 3.5 仿真与分析 | 第52-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第四章 基于GPU的粒子滤波TBD算法并行实现研究 | 第64-77页 |
| 4.1 GPU及其开发平台简介 | 第64-68页 |
| 4.1.1 GPU硬件架构 | 第64-65页 |
| 4.1.2 CUDA通用开发模型 | 第65页 |
| 4.1.3 CUDA软件体系结构 | 第65-66页 |
| 4.1.4 CUDA编程模型 | 第66-67页 |
| 4.1.5 CUDA存储模型 | 第67-68页 |
| 4.2 MM-PSOSFNPF-TBD算法在GPU上的实现 | 第68-73页 |
| 4.2.1 TBD算法在GPU上的实现流程 | 第68-70页 |
| 4.2.2 MM-PSOSFNPF-TBD算法的GPU实现流程 | 第70-71页 |
| 4.2.3 基于粒子滤波的TBD算法的并行化处理 | 第71-72页 |
| 4.2.4 基于粒子群优化计算的并行化处理 | 第72-73页 |
| 4.3 仿真实验及分析 | 第73-76页 |
| 4.4 本章小结 | 第76-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 全文总结 | 第77-78页 |
| 5.2 工作设想与展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 攻硕期间取得的研究成果 | 第84-85页 |
