| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究背景和发展现状 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-10页 |
| 1.3 信息融合概述 | 第10页 |
| 1.4 多目标跟踪技术概述 | 第10-11页 |
| 1.5 论文的主要工作及工作安排 | 第11-12页 |
| 第二章 多传感器数据融合的基本理论 | 第12-22页 |
| 2.1 多传感器数据融合概述 | 第12-17页 |
| 2.1.1 数据融合的概念 | 第12-13页 |
| 2.1.2 数据融合基本原理 | 第13-14页 |
| 2.1.3 数据融合常用的方法 | 第14-15页 |
| 2.1.4 信息融合理论体系 | 第15-16页 |
| 2.1.5 数据融合的优点 | 第16-17页 |
| 2.2 数据融合的级别 | 第17-21页 |
| 2.2.1 数据融合的层次 | 第18-20页 |
| 2.2.2 融合的跟踪系统分类 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 目标跟踪基本理论及方法 | 第22-34页 |
| 3.1 机动目标跟踪基本原理 | 第22页 |
| 3.2 机动目标跟踪的功能要素 | 第22-26页 |
| 3.2.1 机动目标模型 | 第22-26页 |
| 3.2.2 机动检测和机动辨识 | 第26页 |
| 3.3 基本的跟踪滤波与预测方法 | 第26-30页 |
| 3.3.1 标准线性系统的 Kalman 滤波器(KF) | 第27页 |
| 3.3.2 非线性系统的扩展 Kalman 滤波器(EKF)和无迹 Kalman 滤波器(UKF) | 第27-30页 |
| 3.4 目标跟踪新技术 | 第30-32页 |
| 3.4.1 粒子滤波技术 | 第30-32页 |
| 3.4.2 检测前跟踪技术 | 第32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 随机集理论 | 第34-39页 |
| 4.1 引言 | 第34页 |
| 4.2 随机有限集的定义 | 第34-36页 |
| 4.3 信任度函数 | 第36-37页 |
| 4.4 基于随机有限集的信息融合框架 | 第37-38页 |
| 4.4.1 有限集统计信息融合理论框架 | 第37页 |
| 4.4.2 专家系统的随机集理论框架 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 基于随机集的多传感器多目标跟踪算法 | 第39-52页 |
| 5.1 随机有限集统计 | 第39-40页 |
| 5.1.1 信任度函数和密度函数 | 第39-40页 |
| 5.1.2 集合积分和集合微分 | 第40页 |
| 5.2 多传感器多目标信息融合模型 | 第40-42页 |
| 5.3 多传感器目标跟踪随机有限集模型 | 第42-44页 |
| 5.3.1 状态空间和测量空间的随机集表示 | 第42-43页 |
| 5.3.2 单传感器单目标规范 Bayes 建模方法 | 第43-44页 |
| 5.3.3 多传感器多目标 Bayes 建模方法 | 第44页 |
| 5.4 PHD 滤波器 | 第44-47页 |
| 5.4.1 概率假设密度(PHD) | 第44-45页 |
| 5.4.2 PHD 滤波 | 第45-47页 |
| 5.5 仿真过程 | 第47-51页 |
| 5.5.1 目标的模拟 | 第47页 |
| 5.5.2 模型选择 | 第47-48页 |
| 5.5.3 滤波算法 | 第48-49页 |
| 5.5.4 结果分析 | 第49-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 总结 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文 | 第56-57页 |
| 致谢 | 第57页 |
