| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外的研究动态 | 第11-14页 |
| 1.2.1 多目标跟踪技术 | 第11-13页 |
| 1.2.2 多传感器信息融合技术 | 第13-14页 |
| 1.2.3 多传感器管控技术 | 第14页 |
| 1.3 本文主要工作 | 第14-17页 |
| 第二章 基于随机集理论的多目标滤波技术 | 第17-30页 |
| 2.1 多目标贝叶斯滤波器 | 第17-18页 |
| 2.1.1 贝叶斯多目标推理 | 第17页 |
| 2.1.2 Chapman-Kolmogorov方程 | 第17-18页 |
| 2.1.3 多目标贝叶斯递推公式 | 第18页 |
| 2.2 概率假设密度滤波器 | 第18-19页 |
| 2.3 基数概率假设密度滤波器 | 第19-21页 |
| 2.4 基数平衡多目标多伯努利滤波器 | 第21-22页 |
| 2.5 标号随机集 | 第22-23页 |
| 2.6 广义标号多伯努利滤波器 | 第23-27页 |
| 2.6.1 共轭先验 | 第23页 |
| 2.6.2 GLMB分布族 | 第23-25页 |
| 2.6.3 GLMB滤波器 | 第25-27页 |
| 2.7 标号多伯努利滤波器 | 第27-28页 |
| 2.8 本章小结 | 第28-30页 |
| 第三章 基于标号随机集的机动多目标跟踪算法 | 第30-44页 |
| 3.1 跳跃马尔科夫系统 | 第30-31页 |
| 3.1.1 増广多目标状态 | 第30-31页 |
| 3.1.2 跳跃马尔科夫系统 | 第31页 |
| 3.2 多模型GLMB滤波器 | 第31-33页 |
| 3.2.1 多模型GLMB滤波器预测步骤 | 第31-32页 |
| 3.2.2 多模型GLMB滤波器更新步骤 | 第32-33页 |
| 3.2.3 多模型GLMB滤波器的讨论分析 | 第33页 |
| 3.3 混合高斯实现 | 第33-36页 |
| 3.3.1 预测步骤 | 第34-35页 |
| 3.3.2 更新步骤 | 第35-36页 |
| 3.4 仿真分析 | 第36-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于标号随机集的分布式融合算法 | 第44-59页 |
| 4.1 GMB分布族 | 第44-45页 |
| 4.2 广义协方差交叉准则 | 第45-46页 |
| 4.3 基于GCI准则的分布式跟踪 | 第46-51页 |
| 4.3.1 SO-GMB分布 | 第46-48页 |
| 4.3.2 基于SO-GMB的GCI融合 | 第48-50页 |
| 4.3.3 分布式融合过程总结 | 第50-51页 |
| 4.4 混合高斯实现 | 第51-53页 |
| 4.4.1 快速实现 | 第52-53页 |
| 4.5 仿真分析 | 第53-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 基于标号随机集的自适应管控算法 | 第59-70页 |
| 5.1 传感器控制方法 | 第59-60页 |
| 5.1.1 传感器控制方法概述 | 第59页 |
| 5.1.2 柯西施瓦兹散度 | 第59-60页 |
| 5.2 传感器一致融合方法 | 第60-62页 |
| 5.3 基于柯西施瓦兹散度的多传感器控制方法 | 第62-65页 |
| 5.3.1 问题陈述 | 第62-63页 |
| 5.3.2 多传感器控制策略 | 第63-65页 |
| 5.4 仿真分析 | 第65-68页 |
| 5.5 本章小结 | 第68-70页 |
| 第六章 结束语 | 第70-72页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |