| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景及意义 | 第8-9页 |
| ·国内外研究状况 | 第9-15页 |
| ·多传感器融合 | 第10-13页 |
| ·粒子滤波 | 第13-14页 |
| ·数据关联 | 第14-15页 |
| ·论文主要工作及内容安排 | 第15-16页 |
| 第二章 多目标跟踪基础理论 | 第16-22页 |
| ·引言 | 第16页 |
| ·模型描述 | 第16-18页 |
| ·粒子滤波 | 第18-21页 |
| ·贝叶斯估计 | 第18-19页 |
| ·粒子滤波 | 第19-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于 MC-JPDA 的被动传感器多目标跟踪算法 | 第22-38页 |
| ·引言 | 第22页 |
| ·联合概率数据关联 | 第22-24页 |
| ·基于独立MC-JPDA 的多目标跟踪算法 | 第24-27页 |
| ·独立MC-JPDA 多目标跟踪算法 | 第24-25页 |
| ·量测的门选过程 | 第25-26页 |
| ·重要性密度函数的选取 | 第26页 |
| ·算法流程 | 第26-27页 |
| ·基于联合MC-JPDA 的多目标跟踪算法 | 第27-29页 |
| ·基于混合采样粒子滤波的多目标跟踪算法 | 第29-33页 |
| ·粒子群优化算法 | 第30-31页 |
| ·权值分解 | 第31页 |
| ·HS-PF 算法流程 | 第31-33页 |
| ·实验仿真与分析 | 第33-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于粒子 PHD 的被动传感器多目标跟踪算法 | 第38-56页 |
| ·引言 | 第38页 |
| ·概率假设密度滤波 | 第38-42页 |
| ·随机集的基本理论 | 第39-40页 |
| ·概率假设密度滤波 | 第40-42页 |
| ·基于粒子PHD 的多目标跟踪 | 第42-44页 |
| ·基于卷积核粒子PHD 的多目标跟踪 | 第44-50页 |
| ·卷积核密度估计方法 | 第44-45页 |
| ·卷积核粒子PHD 滤波 | 第45-47页 |
| ·改进的卷积核粒子PHD 滤波 | 第47-50页 |
| ·实验仿真与分析 | 第50-54页 |
| ·本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·总结 | 第56-57页 |
| ·展望 | 第57-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者在读期间的科研工作及研究成果 | 第64-65页 |