基于IMM的多传感器融合跟踪算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-18页 |
| ·研究背景及意义 | 第8-9页 |
| ·国内外研究状况 | 第9-15页 |
| ·多传感器信息融合技术 | 第9-11页 |
| ·机动目标跟踪技术 | 第11-14页 |
| ·随机集理论 | 第14-15页 |
| ·机动目标跟踪算法研究难点 | 第15-16页 |
| ·观测目标的非线性非高斯 | 第15-16页 |
| ·多传感器跟踪目标 | 第16页 |
| ·本文主要工作及内容安排 | 第16-18页 |
| 2 多传感器目标跟踪算法概述 | 第18-32页 |
| ·引言 | 第18页 |
| ·数据融合 | 第18-21页 |
| ·数据融合基本概念 | 第18-19页 |
| ·数据融合模型和体系结构 | 第19-21页 |
| ·目标跟踪 | 第21-31页 |
| ·机动目标跟踪的基本原理 | 第21-24页 |
| ·数据关联 | 第24-26页 |
| ·滤波算法 | 第26-31页 |
| ·本章小结 | 第31-32页 |
| 3 交互式多模型算法分析 | 第32-45页 |
| ·引言 | 第32页 |
| ·多模型方法 | 第32-35页 |
| ·多模型方法的主要思想 | 第32页 |
| ·多模型算法结构 | 第32-33页 |
| ·多模型次优算法 | 第33-35页 |
| ·交互式多模型算法 | 第35-44页 |
| ·基本思想 | 第35-38页 |
| ·UKF滤波方法 | 第38-41页 |
| ·算法仿真分析 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 4 基于随机集的机动目标跟踪 | 第45-57页 |
| ·引言 | 第45页 |
| ·随机集的基本思想 | 第45-47页 |
| ·随机集统计理论 | 第46页 |
| ·机动目标跟踪的随机集理论框架 | 第46-47页 |
| ·贝叶斯估计 | 第47页 |
| ·概率假设密度滤波 | 第47-48页 |
| ·概率假设密度滤波预测 | 第48页 |
| ·概率假设密度滤波更新 | 第48页 |
| ·交互式多模型概率假设密度滤波 | 第48-49页 |
| ·滤波混合阶段 | 第49页 |
| ·滤波预测阶段 | 第49页 |
| ·滤波更新阶段 | 第49页 |
| ·序贯蒙特卡洛实现 | 第49-51页 |
| ·预测阶段 | 第50-51页 |
| ·更新阶段 | 第51页 |
| ·重采样 | 第51页 |
| ·仿真分析 | 第51-56页 |
| ·本章小结 | 第56-57页 |
| 5 基于随机集的多传感器融合跟踪 | 第57-68页 |
| ·引言 | 第57页 |
| ·估计融合系统结构 | 第57-63页 |
| ·集中式融合结构 | 第57-60页 |
| ·分布式融合结构 | 第60-62页 |
| ·混合式融合结构 | 第62-63页 |
| ·基于雷达/红外序贯融合的目标跟踪算法 | 第63-66页 |
| ·雷达/红外序贯融合滤波方法 | 第63-64页 |
| ·序贯融合的粒子IMM-PHD滤波算法递推 | 第64-65页 |
| ·序贯融合的粒子IMM-PHD滤波算法实现 | 第65-66页 |
| ·仿真分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 6 结论 | 第68-70页 |
| ·工作总结 | 第68页 |
| ·展望 | 第68-70页 |
| ·交互式多模型方面 | 第68页 |
| ·粒子滤波方面 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文 | 第74-75页 |
| 致谢 | 第75-77页 |
