基于分布式麦克风阵列的多目标跟综算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 目标跟踪 | 第12-14页 |
| 1.2.2 多目标跟踪 | 第14-15页 |
| 1.3 主要研究内容 | 第15-18页 |
| 第二章 分布式检测理论 | 第18-28页 |
| 2.1 N-P准则 | 第18-20页 |
| 2.2 数据融合 | 第20-27页 |
| 2.2.1 全局最优化 | 第21-23页 |
| 2.2.2 融合规则最优化 | 第23-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 非线性滤波跟踪 | 第28-44页 |
| 3.1 高斯滤波 | 第28-31页 |
| 3.1.1 贝叶斯估计 | 第28-29页 |
| 3.1.2 高斯滤波递推公式 | 第29-31页 |
| 3.2 经典非线性滤波算法 | 第31-36页 |
| 3.2.1 扩展卡尔曼滤波 | 第31-32页 |
| 3.2.2 无迹卡尔曼滤波 | 第32-34页 |
| 3.2.3 粒子滤波 | 第34-36页 |
| 3.3 容积卡尔曼滤波 | 第36-40页 |
| 3.3.1 三阶球面-径向容积规则 | 第36-39页 |
| 3.3.2 容积卡尔曼滤波算法 | 第39-40页 |
| 3.4 性能分析及仿真 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 机动目标运动模型设计 | 第44-55页 |
| 4.1 经典运动模型 | 第44-48页 |
| 4.1.1 CV/CA模型 | 第44-45页 |
| 4.1.2 时间相关模型 | 第45-46页 |
| 4.1.3 交互式多模型 | 第46-48页 |
| 4.2 自适应“当前”统计模型 | 第48-52页 |
| 4.2.1 “当前”统计模型 | 第48-51页 |
| 4.2.2 改进的“当前”统计模型 | 第51-52页 |
| 4.3 仿真分析 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 多目标跟踪与数据关联 | 第55-75页 |
| 5.1 经典数据关联算法 | 第55-57页 |
| 5.1.1 最近邻域法 | 第55-56页 |
| 5.1.2 概率数据互联 | 第56-57页 |
| 5.2 多假设跟踪算法 | 第57-63页 |
| 5.2.1 假设形成 | 第58-59页 |
| 5.2.2 假设评估 | 第59-62页 |
| 5.2.3 假设与轨迹的管理 | 第62-63页 |
| 5.3 多维分配算法 | 第63-67页 |
| 5.2.1 模型建立 | 第63-64页 |
| 5.2.2 量测分类 | 第64-66页 |
| 5.2.3 S-D分配 | 第66-67页 |
| 5.4 拉格朗日松弛算法解S-D分配 | 第67-74页 |
| 5.4.1 拉格朗日松弛算法 | 第67-69页 |
| 5.4.2 S-D分配问题求解 | 第69-72页 |
| 5.4.3 二维问题 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 实验研究与验证 | 第75-81页 |
| 6.1 实验设备 | 第75-76页 |
| 6.2 实验环境与设计 | 第76-77页 |
| 6.3 实验数据处理与分析 | 第77-80页 |
| 6.4 本章小结 | 第80-81页 |
| 第七章 总结与展望 | 第81-83页 |
| 7.1 研究总结 | 第81-82页 |
| 7.2 展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 作者简历及在学期间所取得的研究成果 | 第87页 |
