基于多站时差的被动多目标检测与跟踪
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 国内外研究历史与现状 | 第10-14页 |
| 1.2.1 被动定位技术 | 第10-11页 |
| 1.2.2 被动跟踪技术 | 第11页 |
| 1.2.3 检测前跟踪算法 | 第11-12页 |
| 1.2.4 随机集理论 | 第12-13页 |
| 1.2.5 BOX粒子滤波 | 第13-14页 |
| 1.3 本论文的结构安排 | 第14-15页 |
| 第二章 基于被动时差的单目标PF-TBD算法 | 第15-31页 |
| 2.1 被动时差定位原理 | 第15-16页 |
| 2.2 贝叶斯滤波器 | 第16-17页 |
| 2.3 粒子滤波 | 第17-21页 |
| 2.3.1 蒙特卡洛重要性采样 | 第17-18页 |
| 2.3.2 序贯重要性采样 | 第18-20页 |
| 2.3.3 重采样 | 第20-21页 |
| 2.3.4 基本的粒子滤波算法 | 第21页 |
| 2.4 PF-TBD算法 | 第21-28页 |
| 2.4.1 基于传感器的TBD建模 | 第22-26页 |
| 2.4.2 PF-TBD算法流程 | 第26-28页 |
| 2.5 基于单目标的TDOA-PF-TBD | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于单目标的BOX粒子TBD算法 | 第31-44页 |
| 3.1 区间分析理论基础 | 第31-32页 |
| 3.2 单目标的BPF-TBD算法 | 第32-36页 |
| 3.2.1 点粒子到BOX粒子 | 第33页 |
| 3.2.2 似然比计算 | 第33-34页 |
| 3.2.3 BOX粒子收缩 | 第34-35页 |
| 3.2.4 BOX-PF-TBD算法流程 | 第35-36页 |
| 3.2.5 计算复杂度分析 | 第36页 |
| 3.3 TBD算法的评价方法 | 第36-37页 |
| 3.4 仿真实验 | 第37-43页 |
| 3.4.1 BOX大小对于算法性能的影响 | 第37-39页 |
| 3.4.2 检测跟踪性能对比 | 第39-43页 |
| 3.4.3 算法实时性对比 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于BOX粒子的多目标多贝努利检测前跟踪 | 第44-62页 |
| 4.0 引言 | 第44-45页 |
| 4.1 随机有限集的多目标跟踪模型 | 第45-46页 |
| 4.2 多伯努利滤波器 | 第46-49页 |
| 4.2.1 伯努利RFS | 第46页 |
| 4.2.2 多伯努利RFS | 第46-47页 |
| 4.2.3 多目标多伯努利滤波器 | 第47-48页 |
| 4.2.4 势均衡的多伯努利滤波器 | 第48-49页 |
| 4.3 TBD建模 | 第49-51页 |
| 4.3.1 目标状态模型 | 第49-50页 |
| 4.3.2 量测模型 | 第50-51页 |
| 4.4 基于时差的粒子滤波多伯努利TBD算法 | 第51-54页 |
| 4.4.1 多伯努利TBD算法 | 第52-53页 |
| 4.4.2 基于时差的粒子滤波MB-TBD算法 | 第53-54页 |
| 4.5 基于时差的BOX粒子MB-TBD算法 | 第54-56页 |
| 4.6 仿真实验分析 | 第56-61页 |
| 4.7 本章小结 | 第61-62页 |
| 第五章 全文总结与展望 | 第62-64页 |
| 5.1 全文总结 | 第62页 |
| 5.2 后续工作展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
