基于分布式卡尔曼滤波的目标跟踪方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 目标跟踪的研究现状 | 第11-13页 |
| 1.2.1 目标跟踪的发展历程 | 第11-12页 |
| 1.2.2 目标跟踪中的估计理论 | 第12-13页 |
| 1.3 主要内容和章节安排 | 第13-15页 |
| 第2章 目标跟踪理论基础 | 第15-26页 |
| 2.1 机动目标运动建模 | 第15-18页 |
| 2.1.1 CV/CA模型 | 第15-16页 |
| 2.1.2 时间相关模型 | 第16-17页 |
| 2.1.3 “当前”统计模型 | 第17页 |
| 2.1.4 协调转弯模型 | 第17-18页 |
| 2.1.5 交互式多模型 | 第18页 |
| 2.2 目标跟踪中的估计理论 | 第18-25页 |
| 2.2.1 扩展卡尔曼滤波 | 第19-20页 |
| 2.2.2 无迹卡尔曼滤波 | 第20-23页 |
| 2.2.3 粒子滤波 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于分布式滤波的单目标跟踪方法 | 第26-38页 |
| 3.1 分布式滤波方法 | 第26-31页 |
| 3.1.1 分布式卡尔曼滤波 | 第28-29页 |
| 3.1.2 分布式UKF方法 | 第29-31页 |
| 3.2 仿真分析 | 第31-37页 |
| 3.2.1 目标跟踪算法性能评估 | 第31页 |
| 3.2.2 仿真场景及结果 | 第31-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 基于分布式自适应滤波的单目标跟踪方法 | 第38-50页 |
| 4.1 分布式自适应滤波方法 | 第38-44页 |
| 4.1.1 基于极大后验理论的噪声估计 | 第38-40页 |
| 4.1.2 分布式自适应UKF方法 | 第40-42页 |
| 4.1.3 仿真分析 | 第42-44页 |
| 4.2 变网络结构的分布式滤波方法 | 第44-49页 |
| 4.2.1 分布式网络结构的变化 | 第45-47页 |
| 4.2.2 仿真分析 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 基于分布式滤波的多目标跟踪方法 | 第50-61页 |
| 5.1 数据关联方法 | 第50-53页 |
| 5.1.1 最临近法 | 第50-51页 |
| 5.1.2 概率数据关联 | 第51-52页 |
| 5.1.3 联合概率数据关联 | 第52-53页 |
| 5.2 一种改进的联合概率数据关联方法 | 第53-55页 |
| 5.3 基于IJPDA的分布式UKF方法 | 第55-60页 |
| 5.3.1 算法描述 | 第55-57页 |
| 5.3.2 仿真分析 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第67-68页 |
| 致谢 | 第68页 |
