摘要 | 第5-6页 |
abstract | 第6页 |
第1章 绪论 | 第10-16页 |
1.1 研究背景和意义 | 第10-12页 |
1.1.1 背景与意义 | 第10-11页 |
1.1.2 问题提出 | 第11-12页 |
1.2 相关问题研究进展 | 第12-15页 |
1.2.1 单目标跟踪方法 | 第12-13页 |
1.2.2 多目标跟踪方法 | 第13-15页 |
1.3 论文的主要研究内容及章节安排 | 第15-16页 |
第2章 目标跟踪基础理论 | 第16-31页 |
2.1 目标跟踪基本原理 | 第16-19页 |
2.1.1 目标跟踪系统 | 第16-17页 |
2.1.2 多目标跟踪系统 | 第17-19页 |
2.2 跟踪坐标系的选取 | 第19-21页 |
2.2.1 直角坐标系 | 第19页 |
2.2.2 极坐标系目标跟踪模型 | 第19-20页 |
2.2.3 量测模型的坐标转换 | 第20-21页 |
2.3 机动目标跟踪模型 | 第21-24页 |
2.3.1 CA、CV模型 | 第21-22页 |
2.3.2 机动转弯(CT)模型 | 第22页 |
2.3.3 时间相关模型(Singer模型) | 第22-23页 |
2.3.4 半马尔可夫模型 | 第23页 |
2.3.5 Noval统计模型 | 第23-24页 |
2.3.6“当前”统计模型 | 第24页 |
2.4 卡尔曼滤波 | 第24-27页 |
2.4.1 卡尔曼滤波概述 | 第24-25页 |
2.4.2 离散卡尔曼滤波算法 | 第25-27页 |
2.4.3 滤波器的初始化 | 第27页 |
2.4.4 滤波发散现象 | 第27页 |
2.5 α-β 与 α-β-γ 滤波器 | 第27-29页 |
2.5.1 α-β 与 α-β-γ 滤波器概述 | 第27-28页 |
2.5.2 α-β 滤波器 | 第28-29页 |
2.5.3 α-β-γ 滤波器 | 第29页 |
2.6 其他线性滤波技术 | 第29-30页 |
2.6.1 两点外推滤波 | 第29页 |
2.6.2 维纳滤波 | 第29-30页 |
2.7 本章小结 | 第30-31页 |
第3章 基于模糊控制的自适应IMM-CKF算法 | 第31-49页 |
3.1 引言 | 第31页 |
3.2 EKF滤波、UKF滤波与CKF滤波 | 第31-37页 |
3.2.1 EKF滤波 | 第31-32页 |
3.2.2 UKF滤波 | 第32-34页 |
3.2.3 CKF滤波 | 第34-36页 |
3.2.4 仿真对比 | 第36-37页 |
3.3 基于模糊理论的检测方法 | 第37-41页 |
3.3.1 模糊控制理论 | 第37-38页 |
3.3.2 模糊状态检测器 | 第38-39页 |
3.3.3 状态补偿 | 第39页 |
3.3.4 仿真设计 | 第39-41页 |
3.4 基于模糊控制的自适应IMM-CKF算法 | 第41-44页 |
3.4.1 IMM算法 | 第41-42页 |
3.4.2 改进IMM-CKF算法 | 第42-43页 |
3.4.3 算法步骤 | 第43-44页 |
3.5 仿真实验与分析 | 第44-47页 |
3.6 本章小结 | 第47-49页 |
第4章 基于粒子聚类改进门限的GM-CPHD算法 | 第49-66页 |
4.1 引言 | 第49页 |
4.2 PHD滤波与CPHD滤波 | 第49-55页 |
4.2.1 PHD滤波 | 第49-50页 |
4.2.2 CPHD滤波 | 第50-53页 |
4.2.3 PHD滤波与CPHD滤波效果对比 | 第53-55页 |
4.3 GM-CPHD滤波 | 第55-57页 |
4.3.1 前提条件 | 第55页 |
4.3.2 时间预测 | 第55-56页 |
4.3.3 状态更新 | 第56-57页 |
4.4 粒子聚类改进椭球门限的GM-CPHD多目标跟踪算法 | 第57-64页 |
4.4.1 应用椭球门限的可能性分析 | 第57页 |
4.4.2 基于粒子聚类的改进椭球门限 | 第57-58页 |
4.4.3 算法步骤 | 第58-59页 |
4.4.4 算法复杂度分析 | 第59-60页 |
4.4.5 仿真实验与分析 | 第60-64页 |
4.5 本章小结 | 第64-66页 |
结论 | 第66-68页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第68-69页 |
参考文献 | 第69-74页 |
致谢 | 第74页 |