多传感器数据融合中多目标跟踪关键技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第1章 绪论 | 第14-28页 |
| ·课题的背景和意义 | 第14-15页 |
| ·多传感器多目标跟踪技术基本理论 | 第15-22页 |
| ·目标跟踪技术 | 第15-16页 |
| ·目标跟踪的数据融合 | 第16-22页 |
| ·多传感器多目标跟踪技术发展概况及研究现状 | 第22-26页 |
| ·本文的主要工作和内容安排 | 第26-28页 |
| 第2章 目标跟踪中的状态估计 | 第28-46页 |
| ·引言 | 第28页 |
| ·状态估计基础理论 | 第28-39页 |
| ·跟踪坐标系的选择 | 第28-29页 |
| ·目标运动模型 | 第29-32页 |
| ·常用的跟踪滤波器 | 第32-35页 |
| ·交互式多模型(IMM)滤波器 | 第35-39页 |
| ·航迹的起始 | 第39页 |
| ·基于期望系统噪声模型的自适应机动目标跟踪 | 第39-42页 |
| ·机动目标跟踪仿真分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第3章 数据关联问题研究 | 第46-69页 |
| ·引言 | 第46页 |
| ·多传感器融合系统中的数据关联 | 第46-47页 |
| ·基于聚类算法的多目标跟踪数据关联 | 第47-58页 |
| ·基于目标函数的模糊C-均值聚类分析 | 第48-52页 |
| ·多目标聚类数据关联算法 | 第52-54页 |
| ·量测融合及滤波 | 第54-55页 |
| ·仿真分析 | 第55-58页 |
| ·粒子群算法在多目标跟踪的应用 | 第58-68页 |
| ·基本粒子群优化算法 | 第58-59页 |
| ·S-维分配算法 | 第59-61页 |
| ·粒子群算法在S-维分配算法的应用 | 第61-64页 |
| ·仿真分析 | 第64-68页 |
| ·本章小结 | 第68-69页 |
| 第4章 属性信息辅助的数据关联研究 | 第69-91页 |
| ·引言 | 第69页 |
| ·分类信息辅助的综合概率数据关联 | 第69-75页 |
| ·综合概率数据关联(IPDA)算法 | 第69-71页 |
| ·分类信息辅助的IPDA | 第71-73页 |
| ·仿真分析 | 第73-75页 |
| ·传感器网络中结合分类信息的多目标关联算法 | 第75-83页 |
| ·基于图模型的数据关联算法 | 第75-79页 |
| ·结合分类信息的数据关联 | 第79-80页 |
| ·仿真分析 | 第80-83页 |
| ·多特征信息融合的多目标关联算法 | 第83-89页 |
| ·多属性信息融合的数据关联过程 | 第84-85页 |
| ·仿真分析 | 第85-89页 |
| ·本章小结 | 第89-91页 |
| 第5章 数据融合中不确定情况处理 | 第91-109页 |
| ·引言 | 第91页 |
| ·抗野值的自适应多传感器航迹融合 | 第91-96页 |
| ·复杂环境下的航迹关联及融合 | 第92-94页 |
| ·仿真分析 | 第94-96页 |
| ·非线性无序量测无迹滤波 | 第96-107页 |
| ·无序量测的非线性滤波问题提出 | 第96页 |
| ·运动模型和观测模型 | 第96-97页 |
| ·无序量测问题的主要处理算法 | 第97-98页 |
| ·UKF在状态估计中的应用 | 第98-99页 |
| ·基于UKF的直接更新法 | 第99-103页 |
| ·单个无序量测无迹滤波算法小结 | 第103-104页 |
| ·多个无序量测更新 | 第104页 |
| ·仿真分析 | 第104-107页 |
| ·本章小结 | 第107-109页 |
| 结论 | 第109-112页 |
| 参考文献 | 第112-122页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第122-124页 |
| 致谢 | 第124页 |
