| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·机动目标跟踪的研究目的及意义 | 第7-8页 |
| ·研究目的 | 第7-8页 |
| ·研究意义 | 第8页 |
| ·机动目标跟踪系统的组成要素 | 第8-11页 |
| ·目标的数学模型 | 第8-9页 |
| ·机动检测 | 第9页 |
| ·相关波门的形成 | 第9-10页 |
| ·跟踪坐标系与滤波状态变量的选取 | 第10-11页 |
| ·数据关联与跟踪维持 | 第11页 |
| ·跟踪系统的数字仿真 | 第11-13页 |
| ·系统仿真技术的基本概念 | 第11-12页 |
| ·目标跟踪系统的数字仿真 | 第12-13页 |
| ·本文的主要研究工作及内容安排 | 第13-15页 |
| 第二章 机动目标跟踪中的自适应滤波算法 | 第15-31页 |
| ·卡尔曼滤波算法 | 第15-20页 |
| ·卡尔曼滤波算法简介 | 第15-17页 |
| ·卡尔曼滤波应用中应注意的一些问题 | 第17-18页 |
| ·两种实用的线性滤波技术 | 第18-19页 |
| ·卡尔曼滤波与其他线性滤波比较 | 第19-20页 |
| ·自适应滤波算法 | 第20-23页 |
| ·检测自适应滤波 | 第20-21页 |
| ·实时辨识自适应滤波 | 第21-22页 |
| ·“全面”自适应滤波 | 第22-23页 |
| ·基于“当前”统计模型的均值与方差自适应跟踪算法 | 第23-28页 |
| ·机动目标“当前”统计模型 | 第23-25页 |
| ·自适应卡尔曼滤波算法 | 第25-27页 |
| ·改进的自适应滤波算法(IAF) | 第27-28页 |
| ·IAF算法仿真及分析 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 密集回波环境中的机动目标跟踪 | 第31-53页 |
| ·数据关联算法的发展概况 | 第31-37页 |
| ·最近邻数据关联法 | 第32-33页 |
| ·概率数据关联算法 | 第33页 |
| ·“全邻”最优滤波器法 | 第33-34页 |
| ·联合概率数据关联算法 | 第34页 |
| ·多假设法 | 第34-35页 |
| ·整数规划法 | 第35页 |
| ·高斯和法 | 第35页 |
| ·轨迹分裂法 | 第35-36页 |
| ·最大似然法 | 第36页 |
| ·简化的联合概率数据关联算法 | 第36-37页 |
| ·交互式多模型滤波算法的发展概况 | 第37-41页 |
| ·交互式多模型滤波算法简介 | 第37-38页 |
| ·存在的主要问题及改进方法 | 第38-40页 |
| ·交互式多模型与数据关联结合的目标跟踪 | 第40页 |
| ·发展趋势和关键技术 | 第40-41页 |
| ·密集回波环境中的单机动目标跟踪 | 第41-48页 |
| ·交互式多模型(IMM)滤波算法 | 第41-42页 |
| ·概率数据关联(PDA)算法 | 第42-45页 |
| ·交互式自适应概率数据关联(IMM-APDA)算法 | 第45-48页 |
| ·密集回波环境中的多机动目标跟踪 | 第48-50页 |
| ·IMM-APDA算法仿真及分析 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第四章 现代智能技术在目标跟踪中的应用 | 第53-65页 |
| ·神经网络在目标跟踪中的应用 | 第53-58页 |
| ·神经网络系统概述 | 第53-54页 |
| ·两种网络模型简介 | 第54-57页 |
| ·自适应滤波算法的BP网络实现 | 第57-58页 |
| ·数据关联问题的Hopfield网络求解 | 第58页 |
| ·模糊系统在目标跟踪中的应用 | 第58-63页 |
| ·模糊系统概述 | 第59-60页 |
| ·模糊数据关联 | 第60-62页 |
| ·模糊系统与神经网络结合的目标跟踪 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| ·工作总结 | 第65-66页 |
| ·展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 硕士期间所发表的论文 | 第71-72页 |
| 致谢 | 第72-73页 |