| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 被动跟踪定位技术 | 第16-17页 |
| 1.2 定位系统中滤波算法的研究现状 | 第17-18页 |
| 1.3 人工神经网络 | 第18-20页 |
| 1.3.1 人工神经网络的概述 | 第18-19页 |
| 1.3.2 神经网络算法与信息融合 | 第19-20页 |
| 1.4 本文的研究内容及章节安排 | 第20-22页 |
| 第二章 不同测度下的目标跟踪定位 | 第22-34页 |
| 2.1 基于分坐标的多测度目标跟踪定位 | 第22-25页 |
| 2.2 机动目标的模型在不同测度下的表示 | 第25-28页 |
| 2.2.1 CV模型下不同测度的分解 | 第25-26页 |
| 2.2.2 CA模型下不同测度的分解 | 第26-27页 |
| 2.2.3 二次曲线模型下不同测度的分解 | 第27-28页 |
| 2.3 多测度下的可观测性 | 第28-33页 |
| 2.3.1 目标可观测性的判定 | 第28-29页 |
| 2.3.2 CV模型下三测度的可观测性 | 第29-30页 |
| 2.3.3 CA模型下三测度的可观测性 | 第30-31页 |
| 2.3.4 二次曲线模型下三测度的可观测性 | 第31-32页 |
| 2.3.5 不同模型可观测条件下目标多测度的仿真实验 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 目标跟踪与轨迹识别 | 第34-60页 |
| 3.1 改进重采样粒子滤波算法 | 第34-37页 |
| 3.1.1 粒子滤波的基本原理 | 第34-36页 |
| 3.1.2 改进重采样粒子滤波算法的原理 | 第36-37页 |
| 3.2 改进PF算法在不同运动模型下的多测度跟踪 | 第37-42页 |
| 3.2.1 CV模型下三测度的跟踪 | 第37-38页 |
| 3.2.2 CA模型下三测度的跟踪 | 第38-39页 |
| 3.2.3 二次曲线模型下三测度的跟踪 | 第39-40页 |
| 3.2.4 目标速度变化时三测度的跟踪 | 第40-41页 |
| 3.2.5 目标方向变化时三测度的跟踪 | 第41-42页 |
| 3.3 PHD滤波算法 | 第42-45页 |
| 3.3.1 基本PHD滤波算法原理 | 第42-43页 |
| 3.3.2 混合高斯PHD滤波算法 | 第43-45页 |
| 3.4 GM-PHD算法在不同模型下的多测度跟踪 | 第45-50页 |
| 3.4.1 CV模型下三测度的跟踪 | 第45-46页 |
| 3.4.2 CA模型下三测度的跟踪 | 第46-47页 |
| 3.4.3 二次曲线模型下三测度的跟踪 | 第47-48页 |
| 3.4.4 目标速度变化时三测度的跟踪 | 第48-49页 |
| 3.4.5 目标方向变化时三测度的跟踪 | 第49-50页 |
| 3.5 不同观测误差下基于两种滤波算法的多测度跟踪 | 第50-58页 |
| 3.5.1 纯方位测度的跟踪 | 第51-54页 |
| 3.5.2 纯仰角测度的跟踪 | 第54-56页 |
| 3.5.3 纯距离测度的跟踪 | 第56-58页 |
| 3.6 本章小结 | 第58-60页 |
| 第四章 单站多测度信息融合 | 第60-84页 |
| 4.1 信息融合的方法 | 第60-68页 |
| 4.1.1 BP神经网络算法 | 第60-64页 |
| 4.1.2 基于粒子群算法的BP神经网络 | 第64-66页 |
| 4.1.3 基于支持度的BP神经网络算法 | 第66-68页 |
| 4.2 不同模型下多测度的信息融合 | 第68-81页 |
| 4.2.1 CV模型下三测度的信息融合 | 第69-71页 |
| 4.2.2 CA模型下三测度的信息融合 | 第71-73页 |
| 4.2.3 二次曲线模型下三测度的信息融合 | 第73-76页 |
| 4.2.4 目标方向变化时三测度的信息融合 | 第76-78页 |
| 4.2.5 目标速度变化时三测度的信息融合 | 第78-81页 |
| 4.3 降维信息融合实验 | 第81-82页 |
| 4.4 本章小结 | 第82-84页 |
| 第五章 总结与展望 | 第84-86页 |
| 5.1 总结 | 第84页 |
| 5.2 展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 作者简介 | 第92-93页 |