| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 声矢量阵列 DOA 跟踪估计现状 | 第12-15页 |
| 1.2.1 声矢量传感器 DOA 估计的研究现状 | 第12-14页 |
| 1.2.2 DOA 跟踪的研究现状 | 第14-15页 |
| 1.3 粒子滤波算法的发展现状 | 第15-17页 |
| 1.4 四元数理论在信号处理中的发展现状 | 第17-18页 |
| 1.5 论文的工作安排和章节构成 | 第18-21页 |
| 1.5.1 论文的工作安排 | 第18页 |
| 1.5.2 论文的章节构成 | 第18-21页 |
| 第2章 声矢量传感器数学模型及粒子滤波基础 | 第21-35页 |
| 2.1 四元数及相关知识 | 第21-22页 |
| 2.1.1 四元数的定义 | 第21页 |
| 2.1.2 四元数的基本性质 | 第21-22页 |
| 2.2 声矢量传感器数学模型 | 第22-26页 |
| 2.2.1 单个声矢量传感器数学模型 | 第23-24页 |
| 2.2.2 声矢量阵列的输出模型 | 第24-26页 |
| 2.3 粒子滤波算法基础 | 第26-33页 |
| 2.3.1 贝叶斯滤波理论 | 第26-29页 |
| 2.3.2 蒙特卡罗方法理论 | 第29页 |
| 2.3.3 贝叶斯重要性采样 | 第29-31页 |
| 2.3.4 序贯重要性采样 | 第31-32页 |
| 2.3.5 SIR 算法及粒子退化 | 第32-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第3章 基于粒子滤波的声矢量传感器 DOA 跟踪估计算法 | 第35-51页 |
| 3.1 DOA 跟踪的状态空间模型 | 第35-38页 |
| 3.1.1 状态方程的建立 | 第35-36页 |
| 3.1.2 观测模型的建立 | 第36-38页 |
| 3.2 基于粒子滤波算法的 DOA 跟踪估计算法 | 第38-44页 |
| 3.2.1 似然函数的推导 | 第38-39页 |
| 3.2.2 基于粒子滤波算法的 DOA 跟踪估计算法 | 第39-40页 |
| 3.2.3 仿真实验 | 第40-44页 |
| 3.3 基于改进粒子滤波算法的 DOA 跟踪估计算法 | 第44-50页 |
| 3.3.1 基于改进粒子滤波算法的 DOA 跟踪估计算法 | 第44-46页 |
| 3.3.2 仿真实验 | 第46-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 基于粒子滤波与 MUSIC 算法的 DOA 跟踪估计算法 | 第51-63页 |
| 4.1 基于粒子滤波与 MUSIC 算法的 DOA 跟踪估计算法 | 第51-58页 |
| 4.1.1 声矢量传感器 MUSIC 方位估计算法 | 第51-52页 |
| 4.1.2 基于粒子滤波与 MUSIC 算法的 DOA 跟踪估计算法 | 第52-53页 |
| 4.1.3 仿真实验 | 第53-58页 |
| 4.2 基于改进粒子滤波与 MUSIC 算法的 DOA 跟踪估计算法 | 第58-62页 |
| 4.2.1 基于改进粒子滤波与 MUSIC 算法的 DOA 跟踪估计算法 | 第58-59页 |
| 4.2.2 仿真实验 | 第59-62页 |
| 4.3 本章小结 | 第62-63页 |
| 第5章 基于粒子滤波与四元数 MUSIC 的 DOA 跟踪算法 | 第63-73页 |
| 5.1 基于粒子滤波与四元数 MUSIC 的 DOA 跟踪算法 | 第63-68页 |
| 5.1.1 基于四元数模型的声矢量传感器 MUSIC 算法 | 第63-65页 |
| 5.1.2 基于 PF 与四元数 MUSIC 的 DOA 跟踪估计算法 | 第65-66页 |
| 5.1.3 仿真实验 | 第66-68页 |
| 5.2 基于改进粒子滤波与 QMUSIC 的 DOA 跟踪算法 | 第68-71页 |
| 5.2.1 基于改进粒子滤波与 QMUSIC 的 DOA 跟踪算法 | 第68-70页 |
| 5.2.2 仿真实验 | 第70-71页 |
| 5.3 本章小结 | 第71-73页 |
| 第6章 全文总结及展望 | 第73-75页 |
| 6.1 全文总结 | 第73页 |
| 6.2 后续工作展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 作者简介及科研成果 | 第81-83页 |
| 致谢 | 第83页 |
