稀疏纵向数据下状态空间模型统计推断问题研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 状态空间模型概述 | 第14-17页 |
| 1.1.1 状态空间模型研究框架 | 第14-16页 |
| 1.1.2 状态空间模型的研究进展 | 第16-17页 |
| 1.2 状态空间模型的应用现状 | 第17页 |
| 1.3 本文主要工作和章节安排 | 第17-20页 |
| 1.3.1 主要工作 | 第17-18页 |
| 1.3.2 章节安排 | 第18-20页 |
| 第二章 基本模型及相关理论 | 第20-28页 |
| 2.1 状态空间模型 | 第20-23页 |
| 2.1.1 定义 | 第21-22页 |
| 2.1.2 状态空间模型分类 | 第22-23页 |
| 2.2 线性状态空间模型滤波算法 | 第23-25页 |
| 2.2.1 卡尔曼滤波理论 | 第23-24页 |
| 2.2.2 卡尔曼滤波算法步骤 | 第24-25页 |
| 2.3 混合效应模型 | 第25-28页 |
| 2.3.1 模型形式 | 第25页 |
| 2.3.2 两阶段分析 | 第25-28页 |
| 第三章 粒子滤波算法理论基础 | 第28-40页 |
| 3.1 引言 | 第28-29页 |
| 3.2 序贯蒙特卡罗方法—粒子滤波 | 第29-33页 |
| 3.2.1 蒙特卡罗积分 | 第29-31页 |
| 3.2.2 贝叶斯重要性抽样 | 第31-32页 |
| 3.2.3 序贯重要性抽样算法 | 第32-33页 |
| 3.3 关于退化问题的改进方法 | 第33-36页 |
| 3.3.1 重要性密度函数的选择 | 第34-35页 |
| 3.3.2 重抽样 | 第35页 |
| 3.3.3 SIR粒子滤波算法 | 第35-36页 |
| 3.4 改进的粒子滤波算法 | 第36-40页 |
| 3.4.1 问题的提出 | 第37页 |
| 3.4.2 算法思路分析 | 第37-40页 |
| 第四章 非线性混合效应状态空间模型状态估计 | 第40-54页 |
| 4.1 引言 | 第40页 |
| 4.2 一维非线性追踪模型 | 第40页 |
| 4.3 常用的非线性状态估计滤波算法 | 第40-44页 |
| 4.3.1 SIR滤波算法 | 第41-43页 |
| 4.3.2 辅助粒子滤波算法 | 第43-44页 |
| 4.4 单目标跟踪仿真结果及误差分析 | 第44-49页 |
| 4.4.1 仿真结果 | 第44-45页 |
| 4.4.2 误差分析 | 第45-47页 |
| 4.4.3 个体参数估计 | 第47-49页 |
| 4.5 多目标跟踪仿真结果及误差分析 | 第49-54页 |
| 4.5.1 仿真结果 | 第50-52页 |
| 4.5.2 误差分析 | 第52-54页 |
| 第五章 结论和展望 | 第54-56页 |
| 5.1 研究结论 | 第54-55页 |
| 5.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 作者简介 | 第62-63页 |
