| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 论文研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状分析 | 第16-18页 |
| 1.3 本文的主要工作 | 第18-19页 |
| 第二章 目标跟踪的概论 | 第19-29页 |
| 2.1 目标跟踪的基本原理 | 第19页 |
| 2.2 目标的状态模型和量测模型 | 第19-21页 |
| 2.3 目标的运动模型分析 | 第21-25页 |
| 2.3.1 CV模型 | 第21-22页 |
| 2.3.2 CA模型 | 第22-23页 |
| 2.3.3 CT模型 | 第23-24页 |
| 2.3.4 Singer模型 | 第24-25页 |
| 2.4 目标跟踪的坐标系选择 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 IMM算法的研究 | 第29-55页 |
| 3.1 卡尔曼滤波 | 第29-34页 |
| 3.1.1 卡尔曼滤波的基本原理 | 第29-30页 |
| 3.1.2 蒙特卡洛仿真实验 | 第30-34页 |
| 3.2 多模型算法 | 第34-36页 |
| 3.2.1 多模型算法的基本原理 | 第34-35页 |
| 3.2.2 多模型算法的不足 | 第35-36页 |
| 3.3 线性系统下的IMM算法 | 第36-41页 |
| 3.3.1 交互多模型算法的基本原理 | 第36-39页 |
| 3.3.2 交互多模型算法的优缺点 | 第39页 |
| 3.3.3 Kalman、MM与IMM算法的仿真比较 | 第39-41页 |
| 3.4 非线性系统下的IMM-EKF算法 | 第41-46页 |
| 3.4.1 EKF算法 | 第41-45页 |
| 3.4.2 IMM-EKF算法的基本原理 | 第45页 |
| 3.4.3 IMM-EKF算法仿真实验 | 第45-46页 |
| 3.5 非线性系统下的IMM-UKF算法 | 第46-52页 |
| 3.5.1 UKF算法 | 第46-49页 |
| 3.5.2 EKF与UKF的仿真比较 | 第49-50页 |
| 3.5.3 IMM-UKF算法的基本原理 | 第50-51页 |
| 3.5.4 IMM-UKF算法仿真实验 | 第51-52页 |
| 3.6 本章小结 | 第52-55页 |
| 第四章 IMM算法性能的改善 | 第55-67页 |
| 4.1 模型滤波起始时间的匹配 | 第55-56页 |
| 4.2 不同维数据之间的交互融合 | 第56-57页 |
| 4.3 模型转移概率的自适应 | 第57-62页 |
| 4.3.1 自适应马尔可夫转移概率 | 第57-59页 |
| 4.3.2 转移概率自适应的IMM算法 | 第59-60页 |
| 4.3.3 算法的仿真比较 | 第60-62页 |
| 4.4 算法的重加权计算 | 第62-66页 |
| 4.4.1 重加权计算的IMM算法 | 第62-64页 |
| 4.4.2 算法的仿真比较 | 第64-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 结论和展望 | 第67-69页 |
| 5.1 研究结论 | 第67页 |
| 5.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |