| 图目录 | 第1-9页 |
| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第11-21页 |
| ·引言 | 第11-12页 |
| ·机动目标跟踪技术及其发展状况 | 第12-19页 |
| ·机动目标跟踪模型 | 第12-15页 |
| ·机动目标跟踪中的状态估计 | 第15-17页 |
| ·机动目标跟踪方法 | 第17-19页 |
| ·本文的主要工作 | 第19-21页 |
| 第二章 基于单模型的强机动目标跟踪算法研究Ⅰ-单参数估计 | 第21-45页 |
| ·引言 | 第21页 |
| ·强机动目标运动模型 | 第21-25页 |
| ·时间相关模型的一般表示式 | 第21-22页 |
| ·“当前”统计模型及其性能分析 | 第22-23页 |
| ·Jerk模型及其性能分析 | 第23-25页 |
| ·改进的“当前”统计模型 | 第25-34页 |
| ·考虑参数α的Guass-Markov模型 | 第26页 |
| ·改进的“当前”统计机动目标运动模型 | 第26-28页 |
| ·CS-UKF机动目标滤波算法 | 第28-30页 |
| ·仿真实验及结果分析 | 第30-34页 |
| ·强机动目标跟踪的η-Jerk模型 | 第34-44页 |
| ·含“急动”参数的Guass-Markov模型 | 第34-35页 |
| ·η-Jerk机动目标运动模型 | 第35-38页 |
| ·η-Jerk机动目标滤波算法 | 第38-39页 |
| ·仿真实验及结果分析 | 第39-44页 |
| ·小结 | 第44-45页 |
| 第三章 基于单模型的强机动目标跟踪算法研究Ⅱ-多参数估计 | 第45-56页 |
| ·引言 | 第45页 |
| ·强机动目标跟踪的MS模型 | 第45-50页 |
| ·Singer模型 | 第45-46页 |
| ·AR模型参数估计 | 第46-49页 |
| ·MS模型及参数自适应滤波算法 | 第49-50页 |
| ·仿真实验及结果分析 | 第50-55页 |
| ·小结 | 第55-56页 |
| 第四章 基于多模型的强机动目标跟踪算法研究 | 第56-79页 |
| ·引言 | 第56-57页 |
| ·多模型估计算法研究进展 | 第57-60页 |
| ·交互多模型参数估计 | 第60-62页 |
| ·模型集的设计 | 第62-67页 |
| ·变结构模型集的目的及基本思想 | 第62-63页 |
| ·模型集自适应技术 | 第63-65页 |
| ·最优模型集设计技术研究 | 第65-67页 |
| ·参数自适应的交互多模型算法 | 第67-71页 |
| ·马尔科夫转移概率的后验估计 | 第67-70页 |
| ·模型转移概率自适应的IMM跟踪算法(PAIMM) | 第70-71页 |
| ·变结构的PAIMM算法 | 第71-72页 |
| ·仿真实验及结果分析 | 第72-78页 |
| ·小结 | 第78-79页 |
| 第五章 基于Bayesian估计的强机动目标跟踪算法研究 | 第79-96页 |
| ·引言 | 第79页 |
| ·基本粒子滤波算法 | 第79-81页 |
| ·非线性系统及Bayesian估计 | 第79-80页 |
| ·序列重要度采样算法(SIS) | 第80-81页 |
| ·粒子滤波算法的关键技术及问题分析 | 第81-85页 |
| ·粒子滤波涉及的关键技术 | 第82-85页 |
| ·粒子滤波器亟待解决的问题 | 第85页 |
| ·基于粒子滤波的多模型跟踪算法 | 第85-91页 |
| ·UKF滤波算法 | 第86-87页 |
| ·UPF滤波算法 | 第87页 |
| ·IUPF算法 | 第87-88页 |
| ·IUPF-IMM滤波算法 | 第88-91页 |
| ·仿真实验及结果分析 | 第91-95页 |
| ·小结 | 第95-96页 |
| 第六章 结束语 | 第96-98页 |
| 致谢 | 第98-99页 |
| 参考文献 | 第99-115页 |
| 附录 Monte Carlo仿真基本思想及Bayesian重要采样 | 第115-116页 |
| 作者在攻读博士学位期间发表的论文 | 第116页 |
