| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文的主要研究内容 | 第14-16页 |
| 第2章 基于粒子滤波的检测前跟踪算法基础理论 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 基于贝叶斯滤波的TBD方法 | 第16-22页 |
| 2.2.1 贝叶斯滤波 | 第16-17页 |
| 2.2.2 蒙特卡罗积分 | 第17-18页 |
| 2.2.3 粒子滤波算法 | 第18-22页 |
| 2.2.4 PF-TBD算法 | 第22页 |
| 2.3 时间配准基础理论 | 第22-26页 |
| 2.3.1 拉格朗日插值法 | 第23-24页 |
| 2.3.2 最小二乘曲线拟合法 | 第24-25页 |
| 2.3.3 内插外推法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于粒子滤波的多异步传感器检测前跟踪算法 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 基于粒子滤波的多异步传感器单目标TBD算法 | 第27-36页 |
| 3.2.1 目标运动建模 | 第27-28页 |
| 3.2.2 传感器量测建模 | 第28-29页 |
| 3.2.3 粒子状态的回推及权重融合 | 第29-31页 |
| 3.2.4 算法具体步骤 | 第31页 |
| 3.2.5 仿真及性能分析 | 第31-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 基于QMCIPF多异步传感器检测前跟踪算法 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 基于拟蒙特卡罗的智能粒子滤波检测前跟踪算法 | 第37-38页 |
| 4.3 基于QMCIPF多异步传感器检测前跟踪算法 | 第38-42页 |
| 4.3.1 算法的基本思路 | 第38-39页 |
| 4.3.2 交叉变异算法 | 第39页 |
| 4.3.3 聚合重采样 | 第39-41页 |
| 4.3.4 QMCIPF-TBD算法具体步骤 | 第41-42页 |
| 4.4 仿真及性能分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 致谢 | 第47-49页 |
| 参考文献 | 第49-54页 |
| 附录 | 第54页 |
