| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究的背景和意义 | 第15-16页 |
| 1.2 弱小目标检测与跟踪技术介绍 | 第16-19页 |
| 1.2.1 国内外研究进展与现状 | 第17-18页 |
| 1.2.2 随机有限集理论概述 | 第18-19页 |
| 1.3 论文主要研究成果和内容安排 | 第19-21页 |
| 第二章 基于随机集PHD弱小目标检测前跟踪算法 | 第21-35页 |
| 2.1 引言 | 第21页 |
| 2.2 随机有限集的多目标跟踪模型 | 第21-23页 |
| 2.3 概率假设密度滤波器 | 第23-24页 |
| 2.4 TBD问题描述与模型建立 | 第24-25页 |
| 2.4.1 目标运动模型 | 第24页 |
| 2.4.2 红外传感器观测模型 | 第24-25页 |
| 2.5 基于随机有限集PHD弱小目标TBD方法 | 第25-29页 |
| 2.5.1 基于粒子滤波PHD的检测前跟踪方法 | 第25-27页 |
| 2.5.2 基于高斯粒子滤波PHD的检测前跟踪方法 | 第27-29页 |
| 2.6 实验仿真和分析 | 第29-33页 |
| 2.7 本章小结 | 第33-35页 |
| 第三章 基于随机集MeMBer弱小目标检测前跟踪算法 | 第35-49页 |
| 3.1 引言 | 第35页 |
| 3.2 贝努利随机有限集滤波 | 第35-36页 |
| 3.3 多贝努利滤波器的TBD算法 | 第36-42页 |
| 3.3.1 基于粒子滤波的多贝努利TBD算法 | 第38-39页 |
| 3.3.2 基于高斯粒子滤波的多贝努利TBD算法 | 第39-42页 |
| 3.4 新生目标搜索算法 | 第42-43页 |
| 3.5 实验仿真与分析 | 第43-48页 |
| 3.5.1 仿真实验场景 | 第43-45页 |
| 3.5.2 仿真实验一已知新生目标信息下的SMC-MB-TBD | 第45-46页 |
| 3.5.3 仿真实验二未知新生目标信息下的SMC-MB-TBD | 第46-47页 |
| 3.5.4 仿真实验三未知新生目标信息下的GPF-MB-TBD | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 随机集PHD中高斯混合分量的修剪合并算法 | 第49-63页 |
| 4.1 引言 | 第49页 |
| 4.2 高斯混合概率假设密度滤波 | 第49-51页 |
| 4.3 高斯混合分量修剪合并准则 | 第51-56页 |
| 4.3.1 Ba-Ngu Vo’ s算法 | 第52页 |
| 4.3.2 KL距离算法 | 第52-54页 |
| 4.3.3 Runnalls算法 | 第54-55页 |
| 4.3.4 加权KL距离算法 | 第55-56页 |
| 4.4 启发式的算法流程 | 第56-57页 |
| 4.5 仿真实验与分析 | 第57-62页 |
| 4.5.1 仿真实验一目标运动交叉场景 | 第57-59页 |
| 4.5.2 仿真实验二目标相邻运动场景 | 第59-60页 |
| 4.5.3 仿真实验三多目标相邻与交叉运动场景 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
