| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 机动目标转弯角速度辨识 | 第11-13页 |
| 1.2.2 基于EM的联合估计与辨识 | 第13-14页 |
| 1.2.3 事件驱动状态估计 | 第14-16页 |
| 1.3 本文研究内容与章节安排 | 第16-17页 |
| 第二章 估计与辨识理论基础 | 第17-28页 |
| 2.1 卡尔曼滤波 | 第17-21页 |
| 2.1.1 线性系统Kalman滤波 | 第17-18页 |
| 2.1.2 非线性系统Kalman滤波 | 第18-21页 |
| 2.2 EM算法 | 第21-28页 |
| 2.2.1 凸函数和Jessen不等式 | 第21-23页 |
| 2.2.2 EM算法框架实现 | 第23-28页 |
| 第三章 乘性参数未知的全量测EM算法 | 第28-41页 |
| 3.1 近似辨识算法 | 第28-31页 |
| 3.1.1 扩维法 | 第28-29页 |
| 3.1.2 标准EM算法 | 第29-31页 |
| 3.2 基于全量测EM的解析辨识算法 | 第31-36页 |
| 3.3 仿真分析 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 乘性参数时变的量测截断EM算法 | 第41-64页 |
| 4.1 问题描述与噪声白化 | 第41-44页 |
| 4.1.1 问题描述 | 第41-42页 |
| 4.1.2 噪声白化 | 第42-44页 |
| 4.2 截断EM算法 | 第44-47页 |
| 4.2.1 极大似然估计 | 第44-45页 |
| 4.2.2 算法实现 | 第45-47页 |
| 4.3 高斯估计 | 第47-55页 |
| 4.3.1 高斯滤波 | 第48-49页 |
| 4.3.2 高斯平滑 | 第49-54页 |
| 4.3.3 高斯估计的实现 | 第54-55页 |
| 4.4 期望计算和最大化 | 第55-60页 |
| 4.5 仿真分析 | 第60-62页 |
| 4.6 本章小结 | 第62-64页 |
| 第五章 量测窗长自适应选取的事件驱动EM算法 | 第64-106页 |
| 5.1 事件驱动触发机制概述 | 第64-67页 |
| 5.1.1 确定性事件触发 | 第65-66页 |
| 5.1.2 随机事件触发 | 第66-67页 |
| 5.2 基于事件驱动的状态估计 | 第67-78页 |
| 5.2.1 基于确定性事件触发机制的状态估计 | 第68-70页 |
| 5.2.2 基于随机事件触发机制的状态估计 | 第70-75页 |
| 5.2.3 仿真分析 | 第75-77页 |
| 5.2.4 性能分析 | 第77-78页 |
| 5.3 基于量测变化检测的自适应变划窗EM算法 | 第78-84页 |
| 5.3.1 自适应窗长选择 | 第79-80页 |
| 5.3.2 仿真分析 | 第80-84页 |
| 5.4 基于事件驱动的量测调度自适应变划窗EM算法 | 第84-97页 |
| 5.4.1 自适应变划窗策略 | 第85-87页 |
| 5.4.2 自适应变划窗EM算法实现 | 第87-92页 |
| 5.4.3 仿真分析 | 第92-97页 |
| 5.5 量测窗长检测与事件驱动的两类EM算法比较 | 第97-101页 |
| 5.5.1 仿真分析 | 第97-100页 |
| 5.5.2 性能分析 | 第100-101页 |
| 5.6 本章小结 | 第101-106页 |
| 第六章 全文总结 | 第106-108页 |
| 6.1 总结 | 第106-107页 |
| 6.2 展望 | 第107-108页 |
| 附录 | 第108-109页 |
| 参考文献 | 第109-117页 |
| 致谢 | 第117-118页 |
| 攻读硕士学位期间发表的学术论文和参加科研情况 | 第118-120页 |