| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 海杂波背景下机动目标跟踪的研究现状 | 第11-13页 |
| 1.3 本文的主要工作及内容安排 | 第13-15页 |
| 1.3.1 本文主要工作 | 第13页 |
| 1.3.2 本文主要内容 | 第13-15页 |
| 第二章 海杂波形成机理及特性分析 | 第15-26页 |
| 2.1 海杂波概述 | 第15-16页 |
| 2.2 海杂波的形成机理 | 第16-18页 |
| 2.3 海情的分类 | 第18-19页 |
| 2.4 常见的海杂波幅度统计模型 | 第19-24页 |
| 2.4.1 雷达杂波的非相关性和相关性 | 第19页 |
| 2.4.2 几个常见的海杂波模型 | 第19-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 海杂波背景下的机动单目标跟踪算法 | 第26-50页 |
| 3.1 机动单目标跟踪技术的发展过程 | 第26-27页 |
| 3.2 概率数据关联（PDA）算法 | 第27-34页 |
| 3.2.1 关联门 | 第29-31页 |
| 3.2.2 PDA算法步骤 | 第31-32页 |
| 3.2.3 算法仿真及分析 | 第32-34页 |
| 3.3 基于交互多模型的机动单目标跟踪算法 | 第34-39页 |
| 3.3.1 IMM算法 | 第34-35页 |
| 3.3.2 IMMPDA算法 | 第35-37页 |
| 3.3.3 算法仿真及分析 | 第37-39页 |
| 3.4 结合幅度信息的机动单目标跟踪算法 | 第39-48页 |
| 3.4.1 量测的幅值信息 | 第39-41页 |
| 3.4.2 结合幅度信息的PDA算法 | 第41页 |
| 3.4.3 杂波幅度服从瑞利分布的IMMPDAAI算法 | 第41-44页 |
| 3.4.4 杂波幅度服从K分布的IMMPDAAI算法 | 第44-47页 |
| 3.4.5 算法仿真及分析 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 海杂波背景下的机动多目标跟踪算法 | 第50-66页 |
| 4.1 联合概率数据关联 | 第50-51页 |
| 4.2 贝叶斯理论 | 第51-52页 |
| 4.3 随机有限集 | 第52-53页 |
| 4.3.1 随机有限集的统计理论 | 第52-53页 |
| 4.4 机动多目标的随机有限集模型 | 第53-55页 |
| 4.5 机动多目标跟踪的粒子概率假设密度（P-PHD） | 第55-58页 |
| 4.5.1 概率假设密度 | 第55-56页 |
| 4.5.2 PHD递推公式 | 第56-57页 |
| 4.5.3 基于交互多模型的P-PHD算法 | 第57-58页 |
| 4.6 结合幅度信息的P-PHD算法 | 第58-65页 |
| 4.6.1 观测模型 | 第59-60页 |
| 4.6.2 概率假设密度滤波迭代过程 | 第60-61页 |
| 4.6.3 基于OSPA距离的多目标跟踪算法性能评估准则 | 第61-62页 |
| 4.6.4 算法仿真及分析 | 第62-65页 |
| 4.7 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 本文工作总结 | 第66页 |
| 5.2 工作展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
