| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 目标跟踪理论的研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 智能算法在目标跟踪中研究现状 | 第10-11页 |
| 1.2.2 机动目标模型研究现状 | 第11-12页 |
| 1.2.3 线性滤波算法发展现状 | 第12页 |
| 1.2.4 非线性滤波算法发展现状 | 第12-13页 |
| 1.3 本文主要工作及基本框架 | 第13-14页 |
| 第2章 目标跟踪的基础理论 | 第14-22页 |
| 2.1 目标跟踪基本概述 | 第14-17页 |
| 2.1.1 量测数据的形成 | 第14-15页 |
| 2.1.2 坐标系与状态变量的选取 | 第15页 |
| 2.1.3 机动检测与机动识辨 | 第15页 |
| 2.1.4 自适应滤波算法 | 第15-16页 |
| 2.1.5 跟踪门的形成 | 第16页 |
| 2.1.6 航迹起始与终结 | 第16-17页 |
| 2.2 卡尔曼滤波 | 第17-18页 |
| 2.3 数据关联理论 | 第18-21页 |
| 2.3.1 最邻近数据关联算法 | 第18页 |
| 2.3.2 概率数据关联算法 | 第18-19页 |
| 2.3.3 联合概率数据关联算法 | 第19-20页 |
| 2.3.4 多假设数据关联算法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 目标跟踪模型分析及交互式模型算法 | 第22-36页 |
| 3.1 CV和CA模型 | 第22页 |
| 3.2 机动目标转弯模型 | 第22-23页 |
| 3.3 当前统计模型 | 第23-26页 |
| 3.3.1 当前统计模型的理论基础 | 第23-25页 |
| 3.3.2 当前统计模型 | 第25-26页 |
| 3.3.3 当前统计模型的性能分析 | 第26页 |
| 3.4 Jerk模型 | 第26-30页 |
| 3.4.1 Jerk模型的理论基础 | 第26-27页 |
| 3.4.2 Jerk模型的性能分析 | 第27-30页 |
| 3.5 多模型算法基本原理 | 第30-35页 |
| 3.5.1 静态多模型算法分析 | 第30-31页 |
| 3.5.2 交互式多模型算法分析 | 第31-34页 |
| 3.5.3 变结构多模型算法分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于小波变换的目标跟踪算法 | 第36-58页 |
| 4.1 扩展卡尔曼滤波算法 | 第36-38页 |
| 4.2 无迹卡尔曼滤波 | 第38-40页 |
| 4.2.1 UT变换 | 第38-39页 |
| 4.2.2 无迹卡尔曼滤波算法 | 第39-40页 |
| 4.3 容积卡尔曼滤波 | 第40-44页 |
| 4.3.1 CKF算法基础理论 | 第41-43页 |
| 4.3.2 容积卡尔曼滤波算法 | 第43-44页 |
| 4.4 非线性滤波算法性能比较及仿真实验 | 第44-50页 |
| 4.5 基于小波变换的目标跟踪算法 | 第50-56页 |
| 4.5.1 小波变换理论 | 第51-52页 |
| 4.5.2 多分辨率分析理论 | 第52-53页 |
| 4.5.3 基于小波变换的一维信号降噪方法 | 第53-55页 |
| 4.5.4 基于小波变换的交互式多模型算法 | 第55-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第5章 基于小波模糊神经网络的交互式多模型算法 | 第58-73页 |
| 5.1 模糊神经网络 | 第58-65页 |
| 5.1.1 模糊逻辑系统基本概念 | 第59-61页 |
| 5.1.2 神经网络的结构 | 第61-64页 |
| 5.1.3 基于Takagi-sugeno模型的模糊神经网络 | 第64-65页 |
| 5.2 基于小波模糊神经网络的交互式多模型算法 | 第65-72页 |
| 5.2.1 基于小波模糊神经网络的交互式多模型算法基本原理 | 第66-67页 |
| 5.2.2 模糊神经网络的结构设计 | 第67-69页 |
| 5.2.3 基于小波模糊神经网络的交互式多模型算法的仿真实验及分析 | 第69-72页 |
| 5.3 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第78-79页 |
| 致谢 | 第79页 |
