创新点摘要 | 第1-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7-12页 |
第1章 绪论 | 第12-23页 |
·论文研究意义 | 第12页 |
·国内外研究现状 | 第12-20页 |
·机动目标运动模型研究现状 | 第12-13页 |
·机动目标单模型(SM)跟踪算法研究现状 | 第13-18页 |
·机动目标多模型(MM)跟踪算法研究现状 | 第18-20页 |
·论文主要工作 | 第20-23页 |
第2章 基于线性滤波的单模型跟踪方法的数学模型研究 | 第23-48页 |
·单机动目标跟踪基本原理 | 第23页 |
·典型的机动目标模型 | 第23-29页 |
·CV模型 | 第25页 |
·CA模型 | 第25页 |
·Singer模型 | 第25-26页 |
·CS模型 | 第26-28页 |
·Jerk模型 | 第28页 |
·非零均值Jerk模型 | 第28-29页 |
·CT模型 | 第29页 |
·贝叶斯估计基本原理 | 第29-31页 |
·贝叶斯定理 | 第29-30页 |
·递推贝叶斯估计 | 第30-31页 |
·线性滤波方法——基本卡尔曼滤波 | 第31-38页 |
·卡尔曼滤波要求的性能指标 | 第31-33页 |
·卡尔曼滤波的数学模型 | 第33-34页 |
·卡尔曼滤波方程 | 第34-35页 |
·卡尔曼滤波器的发散问题 | 第35-38页 |
·改进的截断正态概率密度模型 | 第38-47页 |
·截断正态概率密度模型 | 第38-39页 |
·截断正态概率密度模型的改进 | 第39-41页 |
·基于改进截断正态概率密度模型的卡尔曼滤波算法 | 第41-42页 |
·仿真计算与结果分析 | 第42-47页 |
·本章小结 | 第47-48页 |
第3章 基于线性滤波的单模型跟踪算法研究 | 第48-67页 |
·引言 | 第48-50页 |
·基于模糊神经网络信息融合的卡尔曼滤波算法 | 第50-58页 |
·基于模糊神经网络的信息融合系统的基本原理 | 第50-51页 |
·基于模糊神经网络信息融合的并行跟踪算法 | 第51-52页 |
·模糊神经网络融合器设计 | 第52-54页 |
·仿真计算与结果分析 | 第54-58页 |
·S(k)多尺度卡尔曼滤波算法 | 第58-65页 |
·系统数学模型 | 第59页 |
·S(k)多尺度卡尔曼滤波算法设计 | 第59-61页 |
·仿真计算与结果分析 | 第61-65页 |
·本章小结 | 第65-67页 |
第4章 基于非线性滤波的单模型跟踪算法研究 | 第67-89页 |
·引言 | 第67页 |
·无迹卡尔曼滤波算法 | 第67-75页 |
·无迹变换基本原理 | 第68-69页 |
·对称采样策略 | 第69-71页 |
·比例采样修正 | 第71-72页 |
·无迹卡尔曼滤波算法 | 第72-75页 |
·S修正无迹卡尔曼滤波(SUKF)算法 | 第75页 |
·粒子滤波算法 | 第75-85页 |
·蒙特卡罗积分 | 第75-76页 |
·贝叶斯重要性采样 | 第76-78页 |
·序贯重要性采样 | 第78-79页 |
·重要性函数的选择 | 第79-80页 |
·粒子滤波的退化现象与重采样技术 | 第80-81页 |
·基本粒子滤波 | 第81-83页 |
·Sigma点粒子滤波算法 | 第83-85页 |
·仿真计算与结果分析 | 第85-88页 |
·本章小结 | 第88-89页 |
第5章 多模型跟踪算法研究 | 第89-117页 |
·引言 | 第89-92页 |
·三代多模型算法 | 第92-102页 |
·第1代多模型算法 | 第92-94页 |
·第2代多模型算法 | 第94-96页 |
·第3代多模型算法 | 第96-102页 |
·基于S修正卡尔曼滤波的自适应网格模糊交互多模型算法 | 第102-109页 |
·算法设计 | 第102-106页 |
·仿真计算与结果分析 | 第106-109页 |
·基于S修正无迹卡尔曼滤波的自适应网格交互多模型算法 | 第109-115页 |
·算法设计 | 第109-111页 |
·仿真计算与结果分析 | 第111-115页 |
·本章小结 | 第115-117页 |
结论 | 第117-120页 |
参考文献 | 第120-131页 |
攻读学位期间公开发表论文 | 第131-133页 |
致谢 | 第133-134页 |
作者简介 | 第134页 |