| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 课题研究的背景及意义 | 第15-16页 |
| 1.2 国内外发展状况 | 第16-18页 |
| 1.3 本文的主要研究内容和章节安排 | 第18-20页 |
| 第二章 机动目标跟踪模型和滤波跟踪算法 | 第20-48页 |
| 2.1 引言 | 第20页 |
| 2.2 目标跟踪模型 | 第20-27页 |
| 2.2.1 CV模型 | 第20-21页 |
| 2.2.2 CA模型 | 第21页 |
| 2.2.3 Singer模型 | 第21-23页 |
| 2.2.4 CS模型 | 第23-24页 |
| 2.2.5 Jerk模型 | 第24-25页 |
| 2.2.6 转弯机动模型 | 第25-26页 |
| 2.2.7 交互式多模型 | 第26-27页 |
| 2.3 目标滤波跟踪算法 | 第27-46页 |
| 2.3.1 卡尔曼滤波 | 第27-28页 |
| 2.3.2 扩展卡尔曼滤波 | 第28-29页 |
| 2.3.3 Sigma点卡尔曼滤波 | 第29-34页 |
| 2.3.4 粒子滤波 | 第34-35页 |
| 2.3.5 平滑变结构滤波 | 第35-39页 |
| 2.3.6 仿真实验 | 第39-46页 |
| 2.4 本章小结 | 第46-48页 |
| 第三章 基于SVSF的组合算法 | 第48-71页 |
| 3.0 引言 | 第48页 |
| 3.1 具有状态误差协方差矩阵的SVSF | 第48-51页 |
| 3.2 最优平滑边界层 | 第51-53页 |
| 3.3 组合算法 | 第53-69页 |
| 3.3.1 卡尔曼滤波与SVSF的组合算法(KF-SVSF) | 第53-58页 |
| 3.3.2 非线性滤波与SVSF的组合算法 | 第58-69页 |
| 3.4 本章小结 | 第69-71页 |
| 第四章 基于KF-SVSF的“当前”统计模型及自适应跟踪算法 | 第71-80页 |
| 4.1 引言 | 第71-72页 |
| 4.2 “当前”统计模型 | 第72-75页 |
| 4.2.1 修正的瑞利模型 | 第72-73页 |
| 4.2.2 加速度的时间相关模型 | 第73-75页 |
| 4.3 仿真实验 | 第75-78页 |
| 4.4 本章小结 | 第78-80页 |
| 第五章 基于SVSF的高斯和滤波 | 第80-92页 |
| 5.0 引言 | 第80页 |
| 5.1 高斯和滤波器 | 第80-83页 |
| 5.2 高斯和滤波与SVSF的组合算法 | 第83-85页 |
| 5.3 修正的GS-KF-SVSF算法 | 第85-86页 |
| 5.4 仿真实验 | 第86-91页 |
| 5.5 本章小结 | 第91-92页 |
| 第六章 总结与展望 | 第92-94页 |
| 参考文献 | 第94-99页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第99-100页 |