| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-35页 |
| ·引言 | 第11-12页 |
| ·Bayes估计理论 | 第12-19页 |
| ·Bayes推理 | 第12-13页 |
| ·迭代Bayes估计 | 第13-16页 |
| ·最优估计 | 第16-17页 |
| ·次优估计 | 第17-19页 |
| ·Monte Carlo粒子滤波综述 | 第19-29页 |
| ·粒子滤波原理 | 第20-25页 |
| ·粒子滤波器研究进展 | 第25-29页 |
| ·多模型混合估计 | 第29-33页 |
| ·多模型算法原理 | 第29-32页 |
| ·混合估计研究进展 | 第32-33页 |
| ·论文章节安排 | 第33-35页 |
| 第二章 混合估计的粒子滤波和平滑算法 | 第35-54页 |
| ·引言 | 第35页 |
| ·现有估计算法存在的问题 | 第35-38页 |
| ·RB高斯混合粒子滤波器 | 第38-42页 |
| ·混合系统固定区间粒子平滑器 | 第42-46页 |
| ·混合系统固定延迟粒子平滑器 | 第46-51页 |
| ·算例分析 | 第51-53页 |
| ·小结 | 第53-54页 |
| 第三章 混合估计的性能边界分析 | 第54-65页 |
| ·引言 | 第54页 |
| ·混合估计的后验Cramér-Rao下界 | 第54-59页 |
| ·混合估计理论上的Cramér-Rao下界 | 第55-57页 |
| ·混合估计Cramér-Rao下界的近似表达式 | 第57-59页 |
| ·混合估计CRLB的近似计算方法 | 第59-61页 |
| ·算例分析 | 第61-64页 |
| ·小结 | 第64-65页 |
| 第四章 参数未知的动态系统自适应Monte Carlo估计 | 第65-79页 |
| ·引言 | 第65-66页 |
| ·转移概率自适应的Monte Carlo混合估计 | 第66-73页 |
| ·问题描述 | 第66页 |
| ·混合系统的转移概率在线自适应估计 | 第66-69页 |
| ·算例分析 | 第69-73页 |
| ·基于粒子滤波和随机逼近的参数和状态联合估计 | 第73-78页 |
| ·问题描述 | 第73-75页 |
| ·算法步骤 | 第75-76页 |
| ·算例分析 | 第76-78页 |
| ·小结 | 第78-79页 |
| 第五章 融合检测信息的增强粒子滤波器 | 第79-88页 |
| ·引言 | 第79页 |
| ·问题描述 | 第79-82页 |
| ·传感器检测概率模型 | 第80-81页 |
| ·传感器信息的融合似然度 | 第81-82页 |
| ·基于粒子滤波和检测信息的融合估计 | 第82-83页 |
| ·仿真分析 | 第83-87页 |
| ·小结 | 第87-88页 |
| 第六章 基于粒子滤波的检测跟踪一体化 | 第88-102页 |
| ·引言 | 第88-89页 |
| ·基于粒子滤波和似然比的检测跟踪一体化 | 第89-93页 |
| ·问题描述 | 第89-90页 |
| ·算法步骤 | 第90-93页 |
| ·序列图像运动目标的检测和跟踪 | 第93-98页 |
| ·算法性能分析 | 第98-101页 |
| ·小结 | 第101-102页 |
| 第七章 传感器网络下混合估计的协同自组织算法 | 第102-113页 |
| ·引言 | 第102-103页 |
| ·问题描述 | 第103-104页 |
| ·传感器网络下混合系统动态协同跟踪算法 | 第104-109页 |
| ·多传感器粒子滤波 | 第104页 |
| ·混合高斯粒子滤波器 | 第104-105页 |
| ·估计精度和能量约束下的传感器选择 | 第105-107页 |
| ·算法步骤 | 第107-109页 |
| ·仿真分析 | 第109-112页 |
| ·小结 | 第112-113页 |
| 第八章 总结与展望 | 第113-116页 |
| ·本文工作总结 | 第113-114页 |
| ·展望 | 第114-116页 |
| 参考文献 | 第116-130页 |
| 攻读博士学位期间发表论文和参加科研情况说明 | 第130-131页 |
| 致谢 | 第131-132页 |