多传感器目标跟踪信息融合算法研究
| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-21页 |
| ·信息融合概述 | 第12-15页 |
| ·信息融合的定义 | 第13-14页 |
| ·信息融合的功能模型 | 第14-15页 |
| ·信息融合中的目标跟踪技术 | 第15-17页 |
| ·目标跟踪技术 | 第15-16页 |
| ·多传感器信息融合跟踪系统 | 第16-17页 |
| ·信息融合及目标跟踪技术的发展概况及研究现状 | 第17-19页 |
| ·本文的主要工作和内容安排 | 第19-21页 |
| 第2章 机动目标跟踪基本理论与方法 | 第21-32页 |
| ·目标机动的基本含义 | 第21页 |
| ·机动目标跟踪的基本原理 | 第21-22页 |
| ·运动目标模型 | 第22-25页 |
| ·CV和CA模型 | 第22-23页 |
| ·时间相关模型(Singer模型) | 第23页 |
| ·半马尔可夫模型 | 第23-24页 |
| ·Noval统计模型 | 第24页 |
| ·机动目标当前统计模型 | 第24页 |
| ·高度机动目标的Jerk模型 | 第24-25页 |
| ·机动目标跟踪基本要素 | 第25-26页 |
| ·观测数据的形成 | 第25-26页 |
| ·机动检测 | 第26页 |
| ·滤波与预测 | 第26页 |
| ·数据关联的几个典型算法 | 第26-31页 |
| ·“最近邻”方法 | 第27页 |
| ·概率数据关联(PDA) | 第27-29页 |
| ·联合概率数据关联(JPDA) | 第29-31页 |
| ·小结 | 第31-32页 |
| 第3章 非线性卡尔曼跟踪算法 | 第32-41页 |
| ·扩展卡尔曼滤波算法(EKF) | 第32-34页 |
| ·最优算法—卡尔曼滤波算法(KF) | 第32-33页 |
| ·扩展卡尔曼滤波算法(EKF) | 第33-34页 |
| ·无迹卡尔曼滤波算法(EKF) | 第34-36页 |
| ·UT变换 | 第34-35页 |
| ·UKF滤波算法 | 第35-36页 |
| ·滤波器的初始化 | 第36-37页 |
| ·滤波发散及其克服方法 | 第37-38页 |
| ·滤波发散现象及其产生原因 | 第37页 |
| ·模型误差引起的发散问题及其克服方法 | 第37-38页 |
| ·试验仿真及结果分析 | 第38-40页 |
| ·仿真场景设置 | 第38页 |
| ·仿真结果及分析 | 第38-40页 |
| ·小结 | 第40-41页 |
| 第4章 粒子滤波及其改进算法 | 第41-53页 |
| ·非线性贝叶斯跟踪原理 | 第41-42页 |
| ·蒙特卡罗方法 | 第42-43页 |
| ·粒子滤波算法 | 第43-48页 |
| ·序贯重要性采样 | 第43-44页 |
| ·粒子集的退化问题 | 第44-46页 |
| ·退化程度的衡量 | 第46-47页 |
| ·标准粒子滤波算法 | 第47-48页 |
| ·改进的粒子滤波算法 | 第48-49页 |
| ·扩展卡尔曼粒子滤波算法(EPF) | 第48-49页 |
| ·UPF算法 | 第49页 |
| ·实验仿真及结果分析 | 第49-52页 |
| ·EKF，UKF，PF三种算法的比较 | 第50页 |
| ·仿真实验结果分析 | 第50-52页 |
| ·小结 | 第52-53页 |
| 第5章 基于多模型的多传感器机动目标跟踪算法 | 第53-60页 |
| ·多模型机动目标跟踪算法的基本思想 | 第53-54页 |
| ·IMM算法 | 第54-56页 |
| ·IMM-UPF滤波算法 | 第56-57页 |
| ·实验仿真及结果分析 | 第57-59页 |
| ·模型集的设计 | 第57-58页 |
| ·仿真及结果分析 | 第58-59页 |
| ·小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 附录 攻读学位期间所发表的学术论文 | 第66页 |
