多传感器目标跟踪算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·课题研究的背景及意义 | 第7页 |
| ·课题的国内外研究现状 | 第7-9页 |
| ·目标跟踪 | 第8页 |
| ·多传感器数据融合 | 第8-9页 |
| ·本文工作及安排 | 第9-11页 |
| 第二章 多传感器数据融合原理 | 第11-26页 |
| ·多传感器数据融合概述 | 第11-15页 |
| ·数据融合的概念 | 第11页 |
| ·数据融合基本原理 | 第11-12页 |
| ·数据融合常用的方法 | 第12-13页 |
| ·数据融合关键问题 | 第13-14页 |
| ·数据融合的优点 | 第14-15页 |
| ·数据融合的功能级别 | 第15-18页 |
| ·数据融合的层次 | 第16-17页 |
| ·融合的跟踪系统分类 | 第17-18页 |
| ·数据融合滤波算法 | 第18-22页 |
| ·卡尔曼滤波 | 第18-20页 |
| ·扩展卡尔曼滤波(EKF) | 第20-22页 |
| ·算法仿真 | 第22-24页 |
| ·数据融合的仿真 | 第22页 |
| ·卡尔曼和扩展卡尔曼滤波算法 | 第22-24页 |
| ·本章小结 | 第24-26页 |
| 第三章 多传感器目标跟踪原理 | 第26-41页 |
| ·引言 | 第26-27页 |
| ·目标运动模型 | 第27-30页 |
| ·CV 和CA 模型 | 第27页 |
| ·时间相关模型（Singer 模型） | 第27-28页 |
| ·Noval 统计模型 | 第28-29页 |
| ·半马尔可夫模型 | 第29页 |
| ·“当前”统计模型 | 第29-30页 |
| ·非线性滤波算法 | 第30-34页 |
| ·无迹卡尔曼滤波(UKF) | 第30-31页 |
| ·粒子滤波算法 | 第31-34页 |
| ·粒子滤波算法的改进 | 第34-37页 |
| ·基于EKF 的粒子滤波算法(EPF) | 第34-36页 |
| ·基于UKF 的粒子滤波算法(UPF) | 第36-37页 |
| ·仿真实验 | 第37-40页 |
| ·粒子滤波在点目标跟踪中的仿真 | 第37-38页 |
| ·粒子滤波及其改进算法在目标跟踪中的仿真 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 多传感器目标跟踪算法 | 第41-58页 |
| ·交互式多模型目标跟踪算法原理 | 第41-42页 |
| ·IMM 算法 | 第42-45页 |
| ·一般的IMM 算法 | 第42-44页 |
| ·基于粒子滤波的IMM 算法 | 第44-45页 |
| ·基于多传感器的交互式多模型算法 | 第45-54页 |
| ·概率数据互联滤波器 | 第45-50页 |
| ·多传感器概率互联算法 | 第50-52页 |
| ·基于多传感器交互式多模型的目标跟踪算法 | 第52-54页 |
| ·算法仿真 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
