摘要 | 第1-4页 |
Abstract | 第4-9页 |
第一章 绪论 | 第9-16页 |
·引言 | 第9-11页 |
·选题意义 | 第11-14页 |
·研究背景 | 第14页 |
·本文主要内容和工作安排 | 第14-15页 |
·本章小结 | 第15-16页 |
第二章 数据融合技术概述 | 第16-23页 |
·数据融合基本原理 | 第16-17页 |
·数据融合的定义 | 第17页 |
·数据融合的研究内容 | 第17-18页 |
·数据融合系统的基本框架 | 第18页 |
·数据融合系统的结构模型 | 第18-20页 |
·多传感器数据融合的优点 | 第20页 |
·数据融合算法的分类 | 第20-22页 |
·本章小结 | 第22-23页 |
第三章 机动目标状态估计理论概述 | 第23-34页 |
·状态估计的主要方法 | 第23-26页 |
·最小二乘估计 | 第23-24页 |
·加权最小二乘估计 | 第24-25页 |
·最小方差估计 | 第25页 |
·线性最小方差估计 | 第25-26页 |
·基于参数估计的方法 | 第26页 |
·单机动目标跟踪的基本原理 | 第26-27页 |
·机动目标的常用模型 | 第27-31页 |
·CV 与CA 模型 | 第27页 |
·一阶和二阶时间相关模型 | 第27-29页 |
·半马尔可夫模型 | 第29-30页 |
·Noval 统计模型 | 第30页 |
·“当前”统计模型 | 第30-31页 |
·Jerk 模型 | 第31页 |
·Kalman 滤波算法 | 第31-33页 |
·离散型Kalman 滤波算法 | 第32-33页 |
·离散型Kalman 滤波算法的优点 | 第33页 |
·本章小结 | 第33-34页 |
第四章 基于“当前”统计模型修正的自适应滤波算法 | 第34-42页 |
·引言 | 第34-35页 |
·基于“当前”统计的自适应滤波算法 | 第35-36页 |
·离散型“当前”统计模型 | 第35页 |
·算法描述 | 第35-36页 |
·基于“当前”统计修正的自适应滤波算法 | 第36-38页 |
·“当前”统计模型的修正原理 | 第36-37页 |
·算法描述 | 第37-38页 |
·仿真与结果分析 | 第38-41页 |
·本章小结 | 第41-42页 |
第五章 量测方差自适应的多传感器融合算法 | 第42-52页 |
·引言 | 第42-43页 |
·多传感器离散随机动态数学模型的建立 | 第43页 |
·局部估计Kalman 滤波算法 | 第43-44页 |
·动态加权加权因子的确定 | 第44-45页 |
·量测方差时空综合分析的估计算法 | 第45-47页 |
·空间分析 | 第45-46页 |
·时间分析 | 第46页 |
·时空综合分析 | 第46-47页 |
·算法描述 | 第47-48页 |
·仿真与结果分析 | 第48-51页 |
·本章小结 | 第51-52页 |
第六章 基于 Jerk 模型的多传感器数据融合算法 | 第52-60页 |
·引言 | 第52页 |
·系统 Jerk 模型的建立 | 第52-53页 |
·强跟踪滤波算法 | 第53-54页 |
·系统量测方差自学习修正算法 | 第54-56页 |
·算法描述 | 第56-57页 |
·仿真与结果分析 | 第57-59页 |
·本章小结 | 第59-60页 |
第七章 基于模糊支持度的多传感器加权融合算法 | 第60-72页 |
·引言 | 第60-61页 |
·一致性数据融合方法概述 | 第61-62页 |
·基于静态模糊支持度的多传感器加权融合算法 | 第62-66页 |
·静态模糊支持度矩阵的建立 | 第62-64页 |
·仿真实例与分析 | 第64-66页 |
·基于动态模糊支持度的多传感器加权融合算法 | 第66-71页 |
·量纲一致化 | 第66-68页 |
·动态模糊支持度矩阵的建立 | 第68-69页 |
·仿真与结果分析 | 第69-71页 |
·本章小结 | 第71-72页 |
总结与展望 | 第72-75页 |
1、总结 | 第72-73页 |
2、展望 | 第73-75页 |
致谢 | 第75-76页 |
参考文献 | 第76-82页 |
攻读硕士学位期间发表与完成论文情况 | 第82-83页 |
攻读硕士学位期间参与的科研项目 | 第83页 |
攻读硕士学位期间获奖情况 | 第83页 |