摘要 | 第1-5页 |
Abstract | 第5-13页 |
第一章 绪论 | 第13-18页 |
·研究背景及其意义 | 第13-15页 |
·IRST 系统的原理和分类 | 第13-14页 |
·IRST 系统的发展和前景 | 第14-15页 |
·目标跟踪问题 | 第15-16页 |
·目标跟踪问题的由来 | 第15-16页 |
·目标跟踪问题的分类 | 第16页 |
·本文的主要工作 | 第16-18页 |
第二章 目标跟踪概论 | 第18-34页 |
·引言 | 第18页 |
·目标跟踪的基本原理 | 第18-21页 |
·单目标跟踪的基本原理 | 第18-20页 |
·多目标跟踪基本原理 | 第20-21页 |
·目标运动模型 | 第21-25页 |
·匀速(CV)模型和常加速(CA)模型 | 第22页 |
·零均值Singer 模型 | 第22-23页 |
·“当前”统计模型 | 第23-25页 |
·基本的跟踪滤波与预测 | 第25-31页 |
·卡尔曼滤波 | 第25-27页 |
·检测自适应滤波 | 第27页 |
·实时辨识自适应滤波 | 第27-28页 |
·全面自适应滤波 | 第28页 |
·IMM 滤波 | 第28-31页 |
·多目标数据关联算法简介 | 第31-33页 |
·本章小结 | 第33-34页 |
第三章 粒子滤波及其改进算法 | 第34-54页 |
·引言 | 第34页 |
·非线性估计方法 | 第34-39页 |
·推广卡尔曼滤波 | 第35页 |
·Unscented 滤波 | 第35-37页 |
·高斯厄米特滤波(GHF) | 第37-39页 |
·神经网络滤波 | 第39页 |
·基本的粒子滤波算法 | 第39-43页 |
·最优贝叶斯估计 | 第39-40页 |
·基本的粒子滤波(Sequential Importance Sampling简称SIS)原理 | 第40-41页 |
·基本的粒子滤波SIS 算法步骤 | 第41-42页 |
·基本的粒子滤波SIS 存在问题及解决方法 | 第42-43页 |
·一般的粒子滤波算法 | 第43-44页 |
·粒子滤波的改进算法 | 第44-47页 |
·辅助采样-重采样粒子滤波算法 | 第44页 |
·规则化采样粒子滤波算法 | 第44-45页 |
·自适应粒子滤波算法 | 第45页 |
·UPF 算法 | 第45-46页 |
·高斯-厄米特粒子滤波(GHPF)算法 | 第46-47页 |
·高斯粒子滤波 | 第47-50页 |
·高斯粒子滤波(GPF)算法 | 第47-49页 |
·高斯粒子滤波(GPF)算法步骤 | 第49-50页 |
·高斯粒子滤波与多种非线性估计方法仿真分析比较 | 第50-52页 |
·仿真模型 | 第50页 |
·仿真方法及结果分析 | 第50-52页 |
·结论 | 第52页 |
·本章小结 | 第52-54页 |
第四章 基于高斯粒子滤波的红外机动目标跟踪算法 | 第54-71页 |
·引言 | 第54页 |
·IRST 系统单站被动跟踪存在问题及解决方法 | 第54-55页 |
·典型的IRST 系统单站机动目标跟踪算法 | 第55-59页 |
·标准的交互多模型跟踪算法 | 第55-57页 |
·“当前”统计模型自适应跟踪算法 | 第57-59页 |
·基于高斯粒子滤波的交互多模型跟踪算法 | 第59-66页 |
·基于高斯粒子滤波的交互多模型跟踪算法原理 | 第59-62页 |
·仿真分析 | 第62-66页 |
·基于高斯粒子滤波的“当前”统计模型跟踪算法 | 第66-70页 |
·基于高斯粒子滤波的“当前”模型跟踪算法原理及步骤 | 第66-67页 |
·仿真模型及仿真分析 | 第67-70页 |
·本章小结 | 第70-71页 |
第五章 基于高斯粒子滤波的红外多目标数据关联算法 | 第71-91页 |
·引言 | 第71-73页 |
·数据关联问题描述 | 第73-75页 |
·基于CSM-GPF 的红外多目标数据关联算法 | 第75-81页 |
·红外多目标数据关联算法 | 第75-80页 |
·航迹预测滤波算法 | 第80-81页 |
·红外多目标数据关联算法仿真 | 第81-90页 |
·平行运动目标关联跟踪仿真 | 第81-85页 |
·交叉运动目标关联跟踪仿真 | 第85-90页 |
·结论 | 第90页 |
·本章小结 | 第90-91页 |
第六章 结束语 | 第91-93页 |
参考文献 | 第93-100页 |
致 谢 | 第100-101页 |
在学期间的研究成果及发表的学术论文 | 第101页 |