| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·引言 | 第10页 |
| ·目标跟踪技术国内外发展状况 | 第10-11页 |
| ·多传感器数据融合技术国内外研究动态 | 第11-12页 |
| ·论文主要工作和结构安排 | 第12-14页 |
| 第2章 数据融合理论及目标跟踪技术 | 第14-24页 |
| ·数据融合 | 第14-19页 |
| ·数据融合的基本原理 | 第15页 |
| ·数据融合的通用模型 | 第15-17页 |
| ·数据融合的结构 | 第17-19页 |
| ·目标跟踪 | 第19-23页 |
| ·数据配准 | 第20-21页 |
| ·跟踪波门的预测 | 第21页 |
| ·跟踪门 | 第21-22页 |
| ·数据关联与滤波算法 | 第22-23页 |
| ·跟踪起始与跟踪终结 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第3章 滤波算法 | 第24-37页 |
| ·系统模型 | 第24-25页 |
| ·贝叶斯最优估计 | 第25-26页 |
| ·蒙特卡罗方法 | 第26-30页 |
| ·序贯重要性采样算法(SIS) | 第27-29页 |
| ·重采样技术 | 第29-30页 |
| ·卡尔曼滤波(KF) | 第30-32页 |
| ·粒子滤波(PF) | 第32-36页 |
| ·标准粒子滤波算法 | 第33-35页 |
| ·粒子滤波器的缺点 | 第35页 |
| ·粒子滤波算法的改进方法 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 粒子滤波在目标跟踪中的应用 | 第37-65页 |
| ·机动目标的运动模型 | 第37-38页 |
| ·正则粒子滤波算法 | 第38-41页 |
| ·联合概率数据关联(JPDA) | 第41-44页 |
| ·交互多模型(IMM) | 第44-46页 |
| ·两个JPDA模型的IMM目标跟踪 | 第46-48页 |
| ·粒子滤波与多模型的多目标跟踪 | 第48-51页 |
| ·仿真与结论分析 | 第51-59页 |
| ·扩展卡尔曼滤波EKF和不敏卡尔曼滤波UKF仿真比较 | 第51-54页 |
| ·正则粒子滤波RPF和标准粒子滤波PF仿真比较 | 第54-57页 |
| ·多目标跟踪仿真 | 第57-59页 |
| ·程序设计 | 第59-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 个人简历 | 第74页 |