面向目标跟踪的信息反馈融合方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-21页 |
| 1 绪论 | 第21-48页 |
| ·引言 | 第21-24页 |
| ·国内外相关研究现状 | 第24-45页 |
| ·面向目标跟踪的经典信息融合框架 | 第24-30页 |
| ·贝叶斯跟踪融合框架 | 第24-25页 |
| ·K-L跟踪融合框架 | 第25-26页 |
| ·集中式与分布式跟踪融合框架 | 第26-27页 |
| ·信息环跟踪融合框架 | 第27-28页 |
| ·JDL融合框架 | 第28-30页 |
| ·传统目标跟踪关键技术 | 第30-39页 |
| ·贝叶斯滤波技术 | 第30-32页 |
| ·机动目标跟踪技术 | 第32-35页 |
| ·多目标跟踪技术 | 第35-39页 |
| ·面向目标跟踪的信息反馈新思路 | 第39-45页 |
| ·融合中心与局部节点之间的信息反馈 | 第40-41页 |
| ·单节点信息自反馈 | 第41-42页 |
| ·高、低层融合信息互反馈 | 第42页 |
| ·检测前跟踪方法 | 第42-43页 |
| ·基于融合信息反馈的传感器管理与调度 | 第43-45页 |
| ·本文主要研究内容 | 第45-48页 |
| 2 面向目标跟踪的信息反馈融合框架 | 第48-53页 |
| ·引言 | 第48页 |
| ·目标跟踪信息反馈融合框架中的反馈对象 | 第48-49页 |
| ·信息的时空分类描述 | 第49-50页 |
| ·目标跟踪信息反馈融合框架设计 | 第50-52页 |
| ·小结 | 第52-53页 |
| 3 最小熵信息反馈融合变结构多模型方法 | 第53-75页 |
| ·引言 | 第53-54页 |
| ·相关理论基础 | 第54-57页 |
| ·多模型跟踪问题 | 第54页 |
| ·FSMM多模型跟踪方法 | 第54-55页 |
| ·VSMM多模型跟踪方法 | 第55-56页 |
| ·粒子滤波器 | 第56-57页 |
| ·问题描述 | 第57页 |
| ·嵌套式结构下的最优模型序列集 | 第57-60页 |
| ·最优最小熵反馈变结构多模型方法 | 第60-67页 |
| ·香农信息熵 | 第60-61页 |
| ·最小熵和VSMM | 第61-63页 |
| ·最优MEVSMM方法 | 第63-64页 |
| ·次优MEVSMM算法 | 第64页 |
| ·粒子滤波MEVSMM算法 | 第64-66页 |
| ·简化PF-MEVSMM算法 | 第66-67页 |
| ·仿真分析 | 第67-74页 |
| ·机动模式确定场景 | 第68-73页 |
| ·小观测误差情况 | 第69-72页 |
| ·大观测误差情况 | 第72-73页 |
| ·机动模式随机场景 | 第73-74页 |
| ·小结 | 第74-75页 |
| 4 最小熵几何熵信息反馈融合多模型方法 | 第75-107页 |
| ·引言 | 第75页 |
| ·问题描述 | 第75-80页 |
| ·VSMM问题描述 | 第76-77页 |
| ·MEVSMM方法框架 | 第77-78页 |
| ·SE度量局限性分析 | 第78-80页 |
| ·例子1 | 第78-80页 |
| ·例子2 | 第80页 |
| ·研究目标 | 第80页 |
| ·最小几何熵多模型估计方法 | 第80-90页 |
| ·最小几何熵度量 | 第81-82页 |
| ·基于GE度量对SE进行补偿 | 第82-89页 |
| ·信息反馈融合MGEMM跟踪方法 | 第89-90页 |
| ·次优MGEMM跟踪算法 | 第90-96页 |
| ·KMGEMM跟踪算法 | 第91-94页 |
| ·K平均算法 | 第92页 |
| ·KMGEMM算法步骤 | 第92-94页 |
| ·AMGEMM跟踪算法 | 第94-96页 |
| ·仿真分析 | 第96-105页 |
| ·仿真实验组1 | 第98-101页 |
| ·仿真实验组2 | 第101-105页 |
| ·小结 | 第105-107页 |
| 5 多步历史估计信息反馈融合多模型方法 | 第107-120页 |
| ·引言 | 第107-108页 |
| ·问题描述 | 第108-109页 |
| ·最优和传统次优多模型融合方法 | 第109-110页 |
| ·历史信息反馈融合多模型方法 | 第110-114页 |
| ·多步稳健机动目标 | 第110-111页 |
| ·历史信息反馈多模型融合框架 | 第111-113页 |
| ·粒子滤波历史信息反馈融合多模型算法 | 第113-114页 |
| ·仿真分析 | 第114-119页 |
| ·场景一 | 第115-118页 |
| ·场景二 | 第118-119页 |
| ·小结 | 第119-120页 |
| 6 历史信息驱动反馈融合多目标跟踪方法 | 第120-139页 |
| ·引言 | 第120-121页 |
| ·相关理论基础 | 第121-125页 |
| ·随机有限集理论下的多目标跟踪 | 第121-122页 |
| ·概率假设密度估计器 | 第122-123页 |
| ·粒子滤波概率假设密度估计器 | 第123-125页 |
| ·问题描述 | 第125-126页 |
| ·HIFMTT跟踪方法 | 第126-128页 |
| ·粒子滤波HIFMTT跟踪算法 | 第128-130页 |
| ·仿真分析 | 第130-138页 |
| ·场景一 | 第130-133页 |
| ·场景二 | 第133-138页 |
| ·小结 | 第138-139页 |
| 7 信息预测反馈融合多目标跟踪方法 | 第139-153页 |
| ·引言 | 第139-140页 |
| ·问题描述 | 第140-141页 |
| ·传统PHD更新方法局限 | 第141-142页 |
| ·IPFMTT跟踪方法 | 第142-145页 |
| ·粒子滤波IPFMTT跟踪算法 | 第145-148页 |
| ·仿真分析 | 第148-152页 |
| ·小结 | 第152-153页 |
| 8 总结与展望 | 第153-156页 |
| 参考文献 | 第156-174页 |
| 作者在攻读博士期间参加的科研工作与研究成果 | 第174-175页 |
