| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第1章 绪论 | 第15-30页 |
| ·课题研究背景及意义 | 第15-16页 |
| ·粒子滤波研究综述 | 第16-25页 |
| ·粒子滤波基本算法研究与发展 | 第17-19页 |
| ·粒子滤波算法新发展 | 第19-24页 |
| ·粒子滤波理论研究进展 | 第24-25页 |
| ·粒子滤波应用研究进展 | 第25页 |
| ·支持向量机概述 | 第25-28页 |
| ·本文的主要研究内容和章节安排 | 第28-30页 |
| 第2章 贝叶斯理论框架下的非线性滤波方法 | 第30-45页 |
| ·引言 | 第30页 |
| ·递推贝叶斯估计 | 第30-33页 |
| ·基于线性化近似的扩展卡尔曼滤波方法 | 第33-35页 |
| ·基于确定性采样的Unscented 卡尔曼滤波方法 | 第35-39页 |
| ·基于随机采样的粒子滤波方法 | 第39-44页 |
| ·序贯重要性采样粒子滤波 | 第39-41页 |
| ·粒子的退化和贫化 | 第41-43页 |
| ·粒子滤波的收敛性 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 支持向量机概率密度估计粒子滤波 | 第45-66页 |
| ·引言 | 第45页 |
| ·概率密度估计问题 | 第45-47页 |
| ·问题描述 | 第46页 |
| ·问题的不适定性 | 第46-47页 |
| ·支持向量机概率密度估计粒子滤波 | 第47-58页 |
| ·算法基本思想 | 第47-50页 |
| ·线性优化及改进算法 | 第50-53页 |
| ·多维推广问题 | 第53-55页 |
| ·仿真示例 | 第55-58页 |
| ·支持向量机重采样似然粒子滤波 | 第58-64页 |
| ·弱观测噪声下提议分布的选取 | 第58-59页 |
| ·算法设计与分析 | 第59-61页 |
| ·仿真示例 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 第4章 支持向量回归机粒子滤波 | 第66-84页 |
| ·引言 | 第66页 |
| ·支持向量回归机(SVR) | 第66-68页 |
| ·基于平均场支持向量回归机的粒子滤波 | 第68-75页 |
| ·优化问题的概率解释 | 第68-70页 |
| ·算法设计与分析 | 第70-75页 |
| ·基于最小二乘支持向量回归机的粒子滤波 | 第75-80页 |
| ·算法设计与分析 | 第75-78页 |
| ·大规模数据集算法 | 第78-80页 |
| ·仿真示例 | 第80-83页 |
| ·本章小结 | 第83-84页 |
| 第5章 近似支持向量回归机实时粒子滤波 | 第84-99页 |
| ·引言 | 第84-85页 |
| ·近似支持向量回归机(PSVR) | 第85-90页 |
| ·线性和非线性算法 | 第85-87页 |
| ·大规模数据集算法 | 第87-88页 |
| ·仿真示例 | 第88-90页 |
| ·基于近似支持向量回归机的实时粒子滤波 | 第90-98页 |
| ·估计窗实时粒子滤波算法思想 | 第90-94页 |
| ·算法设计与分析 | 第94-95页 |
| ·仿真示例：纯角度目标跟踪问题 | 第95-98页 |
| ·本章小结 | 第98-99页 |
| 第6章 基于多模型的粒子滤波及应用 | 第99-113页 |
| ·引言 | 第99-100页 |
| ·交互多模型粒子滤波(IMM-PF) | 第100-104页 |
| ·IMM-PF 理论推导 | 第100-102页 |
| ·IMM-PF 实用算法 | 第102-104页 |
| ·辅助多普勒测量IMM-PF 机动目标跟踪 | 第104-109页 |
| ·机动目标基本运动模型 | 第104-105页 |
| ·辅助多普勒测量角速率估计 | 第105-107页 |
| ·辅助多普勒测量IMM-PF 算法 | 第107-109页 |
| ·仿真示例：多次转弯机动目标跟踪问题 | 第109-112页 |
| ·本章小结 | 第112-113页 |
| 结论 | 第113-115页 |
| 参考文献 | 第115-129页 |
| 攻读博士学位期间发表的学术论文 | 第129-132页 |
| 致谢 | 第132-133页 |
| 个人简历 | 第133页 |