| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 目标跟踪踪算法国内外研究现状 | 第11-13页 |
| 1.2.2 传感器管理国内外研究现状 | 第13-14页 |
| 1.3 本文的研究内容 | 第14-16页 |
| 第二章 分布式目标跟踪相关理论与方法 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 信息融合架构 | 第16-18页 |
| 2.2.1 集中式目标跟踪 | 第16-17页 |
| 2.2.2 分布式目标跟踪 | 第17-18页 |
| 2.3 目标跟踪相关理论与方法 | 第18-21页 |
| 2.3.1 目标运动模型 | 第18-19页 |
| 2.3.2 目标跟踪算法 | 第19-21页 |
| 2.4 分布式目标跟踪相关理论与方法 | 第21-26页 |
| 2.4.1 分布式传感器网络结构 | 第21-23页 |
| 2.4.2 一致性算法概述 | 第23页 |
| 2.4.3 基于一致性的分布式卡尔曼滤波算法 | 第23-25页 |
| 2.4.4 基于一致性的分布式粒子滤波算法 | 第25-26页 |
| 2.5 传感器资源管理 | 第26-28页 |
| 2.5.1 传感器管理基本概述 | 第26-27页 |
| 2.5.2 基于协方差控制的传感器管理方法 | 第27页 |
| 2.5.3 基于PCRLB的传感器管理方法 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于预测信息加权的分布式卡尔曼滤波算法 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 问题描述 | 第29-30页 |
| 3.3 基于预测信息加权和一致性算法的分布式卡尔曼滤波算法 | 第30-32页 |
| 3.3.1 加权观测值、信息矩阵的分布式卡尔滤波算法 | 第30-31页 |
| 3.3.2 预测信息加权和一致性算法的分布式卡尔曼滤波算法 | 第31-32页 |
| 3.4 仿真结果分析 | 第32-37页 |
| 3.4.1 仿真场景 | 第33-34页 |
| 3.4.2 实验结果与分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于分布式高斯混合模型的目标跟踪算法 | 第38-47页 |
| 4.1 引言 | 第38页 |
| 4.2 分布式高斯混合模型 | 第38-40页 |
| 4.3 基于分布式高斯混合模型的粒子滤波算法 | 第40-42页 |
| 4.4 仿真结果分析 | 第42-46页 |
| 4.5 本章小节 | 第46-47页 |
| 第五章 基于分布式PCRLB的传感器管理算法 | 第47-54页 |
| 5.1 引言 | 第47页 |
| 5.2 分布式PCRLB基本理论 | 第47-49页 |
| 5.3 基于分布式PCRLB的传感器管理算法流程 | 第49-50页 |
| 5.4 仿真结果分析 | 第50-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录 | 第62页 |
