| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 多传感器数据融合 | 第11-12页 |
| 1.2.2 多目标跟踪技术 | 第12-13页 |
| 1.2.3 概率假设密度滤波器 | 第13-15页 |
| 1.3 本文的主要内容和论文结构 | 第15-17页 |
| 第2章 多传感器多目标跟踪基本理论 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 目标跟踪基本理论 | 第17-19页 |
| 2.2.1 目标跟踪系统模型 | 第17页 |
| 2.2.2 卡尔曼滤波方法 | 第17-18页 |
| 2.2.3 基于随机有限集的多目标模型 | 第18-19页 |
| 2.3 概率假设密度滤波方法 | 第19-22页 |
| 2.3.1 基于随机有限集的贝叶斯滤波框架 | 第19页 |
| 2.3.2 概率假设密度滤波器 | 第19-20页 |
| 2.3.3 概率假设密度滤波器的高斯混合实现算法 | 第20-22页 |
| 2.4 多传感器数据融合 | 第22-24页 |
| 2.4.1 分布式融合估计系统结构 | 第22-23页 |
| 2.4.2 航迹关联 | 第23页 |
| 2.4.3 航迹融合算法 | 第23-24页 |
| 2.5 小结 | 第24-25页 |
| 第3章 基于PHD滤波的自适应多传感器数据融合算法 | 第25-34页 |
| 3.1 引言 | 第25页 |
| 3.2 问题描述 | 第25页 |
| 3.3 基于PHD滤波的自适应多传感器数据融合算法 | 第25-28页 |
| 3.3.1 高斯混合PHD滤波 | 第25-26页 |
| 3.3.2 基于高斯混合PHD滤波的多传感器数据融合框架 | 第26-27页 |
| 3.3.3 自适应多传感器数据融合 | 第27页 |
| 3.3.4 高斯混合模型协方差交叉算法 | 第27-28页 |
| 3.4 仿真实验与分析 | 第28-33页 |
| 3.5 小结 | 第33-34页 |
| 第4章 多传感器概率假设密度融合算法 | 第34-44页 |
| 4.1 引言 | 第34页 |
| 4.2 问题描述 | 第34页 |
| 4.3 多传感器数据融合模型结构 | 第34-36页 |
| 4.4 多传感器数据融合算法 | 第36-38页 |
| 4.4.1 高斯混合PHD滤波数据流过程 | 第36页 |
| 4.4.2 多传感器PHD数据融合算法 | 第36-37页 |
| 4.4.3 高斯混合PHD多传感器多目标融合跟踪算法 | 第37-38页 |
| 4.5 仿真实验与分析 | 第38-43页 |
| 4.6 小结 | 第43-44页 |
| 第5章 基于IMM-GMPHD的多传感器多机动目标跟踪算法 | 第44-50页 |
| 5.1 引言 | 第44页 |
| 5.2 问题描述 | 第44-45页 |
| 5.3 交互协方差算法算法 | 第45-46页 |
| 5.4 基于IMM-GMPHD的多传感器多机动目标跟踪算法 | 第46-47页 |
| 5.5 仿真实验与分析 | 第47-49页 |
| 5.6 小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 附录 | 第58页 |
