基于多传感器信息融合的航迹预测技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 多传感器信息融合研究现状 | 第17-18页 |
| 1.2.2 航迹滤波、预测、融合技术研究现状 | 第18-19页 |
| 1.3 本文主要研究内容及结构安排 | 第19-22页 |
| 1.3.1 主要研究工作 | 第19-20页 |
| 1.3.2 结构安排 | 第20-22页 |
| 第二章 多传感器信息融合基础理论 | 第22-30页 |
| 2.1 多传感器信息融合的基本原理 | 第22页 |
| 2.2 多传感器数据融合的模型及结构 | 第22-26页 |
| 2.2.1 信息融合的功能模型 | 第22-24页 |
| 2.2.2 信息融合的级别 | 第24-25页 |
| 2.2.3 信息融合的系统结构 | 第25-26页 |
| 2.3 多传感器航迹状态预测模型 | 第26-27页 |
| 2.4 多传感器融合算法 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 局部航迹滤波技术 | 第30-48页 |
| 3.1 滤波技术的原理 | 第30-31页 |
| 3.2 运动目标的航迹建模 | 第31-35页 |
| 3.3 经典的滤波估计算法 | 第35-37页 |
| 3.3.1 卡尔曼滤波(KF)估计算法 | 第35-36页 |
| 3.3.2 扩展卡尔曼滤波(EKF) | 第36-37页 |
| 3.4 基于自适应加权滤波估计算法 | 第37-44页 |
| 3.4.1 传统的自适应加权滤波算法 | 第38-41页 |
| 3.4.2 非对称加权滤波去噪算法 | 第41-42页 |
| 3.4.3 非对称加权滤波去噪算法权值的求解 | 第42-44页 |
| 3.5 算法分析仿真 | 第44-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 多传感器局部状态预测技术 | 第48-68页 |
| 4.1 基于时间序列的预测技术 | 第48页 |
| 4.2 模糊神经网络预测技术 | 第48-54页 |
| 4.2.1 模糊集及隶属度 | 第48-49页 |
| 4.2.2 模糊逻辑系统 | 第49-50页 |
| 4.2.3 模糊神经网络理论基础 | 第50页 |
| 4.2.4 模糊神经网络原理与结构分析 | 第50-53页 |
| 4.2.5 模糊神经网络的学习算法 | 第53-54页 |
| 4.3 基于粒子群算法优化的模糊神经网络 | 第54-59页 |
| 4.3.1 粒子群算法原理 | 第54-56页 |
| 4.3.2 改进的粒子群算法 | 第56-58页 |
| 4.3.3 改进的粒子群算法优化FNN | 第58-59页 |
| 4.4 灰色预测技术 | 第59-61页 |
| 4.4.1 灰色预测概念 | 第59-60页 |
| 4.4.2 灰色预测模型 | 第60-61页 |
| 4.5 改进的自适应加权航迹预测 | 第61-63页 |
| 4.5.1 算法原理分析 | 第61-62页 |
| 4.5.2 权值求解 | 第62-63页 |
| 4.6 算法仿真与分析 | 第63-66页 |
| 4.7 本章小结 | 第66-68页 |
| 第五章 多传感器航迹融合 | 第68-84页 |
| 5.1 多传感器航迹融合的原理 | 第68-71页 |
| 5.1.1 多传感器航迹融合结构 | 第68-71页 |
| 5.2 常用的航迹融合算法 | 第71-72页 |
| 5.2.1 简单凸组合融合算法 | 第71页 |
| 5.2.2 分层融合算法 | 第71-72页 |
| 5.3 自适应加权融合算法 | 第72-76页 |
| 5.3.1 加权融合算法原理 | 第72-74页 |
| 5.3.2 各传感器方差σ_p~2的求取 | 第74-76页 |
| 5.4 改进的自适应加权融合算法 | 第76-77页 |
| 5.4.1 改进的加权融合算法原理 | 第76-77页 |
| 5.4.2 模糊神经网络航迹融合 | 第77页 |
| 5.5 算法仿真与分析 | 第77-82页 |
| 5.6 本章小结 | 第82-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 全文总结 | 第84-85页 |
| 6.2 未来展望 | 第85-86页 |
| 参考文献 | 第86-88页 |
| 致谢 | 第88-90页 |
| 作者简介 | 第90-91页 |
