| 摘要 | 第1-5页 |
| ABSTRACT | 第5-14页 |
| 1 绪论 | 第14-24页 |
| ·引言 | 第14-17页 |
| ·动态贝叶斯网络模型 | 第17-20页 |
| ·HMM 和 SSM 概述 | 第20-22页 |
| ·论文组织结构 | 第22-24页 |
| 2 参数估计方法 | 第24-32页 |
| ·概述 | 第24页 |
| ·贝叶斯统计 | 第24-25页 |
| ·几种常见的参数估计方法 | 第25-29页 |
| ·极大似然估计 | 第25页 |
| ·最大后验概率 | 第25页 |
| ·蒙特卡罗 | 第25-26页 |
| ·变分贝叶斯 | 第26-29页 |
| ·这几种参数估计方法的比较 | 第29页 |
| ·EM 算法 | 第29-31页 |
| ·概述 | 第29-30页 |
| ·EM 算法描述 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 3 HMM 的模型选择和特征选择的联合求解 | 第32-50页 |
| ·引言 | 第32-35页 |
| ·前向后向算法 | 第32-33页 |
| ·维特比算法 | 第33-34页 |
| ·Baum-Welch 算法 | 第34-35页 |
| ·HMM 的模型选择 | 第35-37页 |
| ·HMM 的模型选择和特征选择的联合求解方法的提出 | 第37-40页 |
| ·HMM 的模型选择和特征选择的联合求解算法 | 第40-43页 |
| ·实验 | 第43-48页 |
| ·本章小结 | 第48-50页 |
| 4 SSM 在非高斯观测噪声下的状态估计 | 第50-68页 |
| ·引言 | 第50-53页 |
| ·Kalman 滤波 | 第51-52页 |
| ·非高斯噪声下的 SSM 滤波 | 第52-53页 |
| ·基于 VB 算法的非高斯观测噪声下的 SSM 状态估计 | 第53-56页 |
| ·问题描述 | 第53页 |
| ·求解算法 | 第53-56页 |
| ·实验 | 第56-66页 |
| ·本章小结 | 第66-68页 |
| 5 多传感器单目标融合跟踪算法 | 第68-84页 |
| ·引言 | 第68-72页 |
| ·非高斯观测噪声下的多传感器单目标融合跟踪 | 第72-78页 |
| ·方法的提出 | 第72-73页 |
| ·离线求解算法 | 第73-76页 |
| ·在线求解算法 | 第76-78页 |
| ·实验 | 第78-83页 |
| ·本章小结 | 第83-84页 |
| 6 多传感器多目标融合跟踪算法 | 第84-96页 |
| ·引言 | 第84-85页 |
| ·传感器相对配准、数据关联和数据融合的联合求解 | 第85-91页 |
| ·问题描述 | 第85-88页 |
| ·求解算法 | 第88-91页 |
| ·实验 | 第91-95页 |
| ·本章小结 | 第95-96页 |
| 7 总结与展望 | 第96-98页 |
| 致谢 | 第98-100页 |
| 参考文献 | 第100-110页 |
| 附录 | 第110-111页 |
| A. 作者在攻读学位期间发表的论文目录 | 第110-111页 |
| B. 作者在攻读学位期间参与的科研项目 | 第111页 |
| C. 作者在攻读学位期间的国际学术交流情况 | 第111页 |