| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状与进展 | 第10-14页 |
| 1.2.1 多模型估计理论 | 第10-12页 |
| 1.2.2 平滑估计理论 | 第12-14页 |
| 1.3 论文研究内容和结构安排 | 第14-15页 |
| 2 基础知识 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 机动目标模型 | 第15-19页 |
| 2.2.1 匀速与匀加速模型 | 第15-16页 |
| 2.2.2 匀速转弯模型 | 第16-17页 |
| 2.2.3 一阶时间相关模型(Singer模型) | 第17页 |
| 2.2.4 半马尔可夫模型 | 第17-18页 |
| 2.2.5 Noval统计模型 | 第18页 |
| 2.2.6“当前”统计模型 | 第18-19页 |
| 2.3 交互式多模型算法 | 第19-22页 |
| 2.3.1 跳变马尔可夫建模 | 第20页 |
| 2.3.2 输入交互 | 第20-21页 |
| 2.3.3 模型滤波器选择 | 第21页 |
| 2.3.4 模型概率更新 | 第21-22页 |
| 2.3.5 估计融合输出交互 | 第22页 |
| 2.4 最优线性平滑 | 第22-28页 |
| 2.4.1 固定区间最优平滑 | 第22-25页 |
| 2.4.2 固定点最优平滑 | 第25-27页 |
| 2.4.3 固定滞后最优平滑 | 第27-28页 |
| 2.5 小结 | 第28-31页 |
| 3 基于量测提升策略的交互式多模型容积卡尔曼滤波 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 问题描述 | 第31-32页 |
| 3.3 量测提升策略 | 第32页 |
| 3.4 基于量测提升策略的IMMCKF算法 | 第32-38页 |
| 3.4.1 容积卡尔曼滤波(CKF) | 第32-34页 |
| 3.4.2 交互式多模型容积卡尔曼滤波算法 | 第34-35页 |
| 3.4.3 量测提升策略的交互式多模型容积卡尔曼滤波算法 | 第35-36页 |
| 3.4.4 IMM-CKF-S算法具体实现 | 第36-38页 |
| 3.5 仿真分析 | 第38-40页 |
| 3.5.1 仿真环境 | 第38-39页 |
| 3.5.2 仿真结果与分析 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 基于最大期望算法的容积RTS平滑器设计与实现 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 问题描述 | 第41页 |
| 4.3 最大期望(EM)算法 | 第41-43页 |
| 4.3.1 概念 | 第41-42页 |
| 4.3.2 最大期望算法 | 第42-43页 |
| 4.4 固定区间最优平滑算法 | 第43-44页 |
| 4.4.1 标准RTS平滑算法 | 第43页 |
| 4.4.2 标准双滤波平滑算法 | 第43-44页 |
| 4.5 容积RTS平滑器 | 第44-48页 |
| 4.5.1 贝叶斯最优滤波和平滑方程 | 第44-45页 |
| 4.5.2 Sigma点RTS平滑算法 | 第45-48页 |
| 4.6 基于最大期望算法的容积RTS平滑器 | 第48-51页 |
| 4.7 仿真分析 | 第51-53页 |
| 4.8 本章小结 | 第53-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间的科研成果 | 第63-64页 |