贝叶斯滤波的概率似然乘积方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 贝叶斯滤波的发展与现状 | 第10-12页 |
| 1.2.2 雷达目标跟踪发展与现状 | 第12-14页 |
| 1.2.3 多传感器信息融合技术的发展与现状 | 第14-15页 |
| 1.3 本文的主要研究内容及章节安排 | 第15-17页 |
| 第二章 贝叶斯滤波算法概述 | 第17-27页 |
| 2.1 递归贝叶斯估计框架 | 第17-19页 |
| 2.2 线性贝叶斯滤波 | 第19页 |
| 2.3 非线性/非高斯贝叶斯滤波 | 第19-24页 |
| 2.3.1 基于函数近似的非线性滤波算法 | 第20-21页 |
| 2.3.2 基于确定性采样的非线性滤波算法 | 第21-22页 |
| 2.3.3 基于随机采样的非线性滤波算法 | 第22-24页 |
| 2.4 贝叶斯滤波的信息表达形式 | 第24-26页 |
| 2.5 基于传感器管理的贝叶斯滤波研究 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 贝叶斯滤波的概率似然乘积实现算法 | 第27-37页 |
| 3.1 概率积融合规则 | 第27-30页 |
| 3.2 概率似然乘积估计方法原理 | 第30-33页 |
| 3.3 仿真分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于概率积实现算法的多传感器融合方法研究 | 第37-53页 |
| 4.1 雷达目标跟踪理论概述 | 第37-43页 |
| 4.1.1 目标跟踪基本原理 | 第37页 |
| 4.1.2 跟踪坐标系 | 第37-38页 |
| 4.1.3 目标运动模型 | 第38-42页 |
| 4.1.4 量测模型 | 第42-43页 |
| 4.2 多传感器融合理论 | 第43-49页 |
| 4.2.1 多传感器数据融合概述 | 第43-44页 |
| 4.2.2 数据融合功能级别 | 第44-46页 |
| 4.2.3 多传感器融合算法 | 第46-49页 |
| 4.3 概率积方法在多传感器融合场景的应用 | 第49-51页 |
| 4.4 仿真分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 论文工作总结 | 第53-54页 |
| 5.2 研究展望 | 第54-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
