| 目录 | 第1-6页 |
| 第一章 绪论 | 第6-11页 |
| 1．1 数据融合概述 | 第6-8页 |
| 1．1．1 数据融合理论知识 | 第6-8页 |
| 1．1．2 数据融合的应用领域 | 第8页 |
| 1．2 基于神经网络的多目标跟踪研究现状 | 第8-9页 |
| 1．3 本文的主要工作和内容安排 | 第9-11页 |
| 第二章 基本理论概述 | 第11-20页 |
| 2．1 目标跟踪理论概述 | 第11-15页 |
| 2．1．1 多目标跟踪的基本原理 | 第11-12页 |
| 2．1．2 多目标跟踪研究的主要内容 | 第12-15页 |
| 2．2 神经网络概述 | 第15-20页 |
| 2．2．1 神经网络的发展 | 第15-16页 |
| 2．2．2 神经网络信息处理的基本特性 | 第16页 |
| 2．2．3 神经网络的基本要素 | 第16-19页 |
| 2．2．4 神经网络的应用及研究热点 | 第19-20页 |
| 第三章 基于kohonen网络的多目标跟踪算法 | 第20-35页 |
| 3．1 引言 | 第20页 |
| 3．2 kohonen网络 | 第20-23页 |
| 3．2．1 kohonen网络的结构及算法 | 第20-22页 |
| 3．2．2 kohonen网络的优点 | 第22-23页 |
| 3．3 基于kohonen网络的多目标跟踪算法 | 第23-28页 |
| 3．3．1 网络设计与参数选取 | 第23-26页 |
| 3．3．2 网络权值调整规则 | 第26页 |
| 3．3．3 神经元获胜规则 | 第26-27页 |
| 3．3．4 其它减少误差的方法 | 第27-28页 |
| 3．4 仿真结果 | 第28-33页 |
| 3．5 小结 | 第33-35页 |
| 第四章 基于模糊神经网络的多目标跟踪算法 | 第35-57页 |
| 4．1 引言 | 第35页 |
| 4．2 模糊kohonen聚类网络(FKCN)模型 | 第35-40页 |
| 4．2．1 模糊C均值聚类算法 | 第35-37页 |
| 4．2．2 模糊kohonen聚类网络 | 第37-40页 |
| 4．3 多目标跟踪改进算法 | 第40-46页 |
| 4．3．1 改进方案 | 第40-43页 |
| 4．3．2 仿真结果 | 第43-46页 |
| 4．4 多传感器数据融合算法 | 第46-50页 |
| 4．4．1 数据融合算法分析 | 第46-48页 |
| 4．4．2 基于FKCN的数据融合算法 | 第48-50页 |
| 4．4．3 数据融合算法仿真结果 | 第50页 |
| 4．5 多传感器多目标跟踪算法仿真分析 | 第50-56页 |
| 4．6 小结 | 第56-57页 |
| 第五章 基于神经网络的自适应跟踪改进算法 | 第57-67页 |
| 5．1 引言 | 第57页 |
| 5．2 机动目标的“当前”统计模型 | 第57-59页 |
| 5．3 BP网络及学习算法 | 第59-61页 |
| 5．4 基于BP网络的自适应跟踪算法 | 第61-63页 |
| 5．5 改进算法 | 第63-66页 |
| 5．5．1 问题的提出 | 第63-64页 |
| 5．5．2 改进方案 | 第64-65页 |
| 5．5．3 仿真结果 | 第65-66页 |
| 5．6 小结 | 第66-67页 |
| 第六章 回顾与展望 | 第67-69页 |
| 6．1 研究成果 | 第67页 |
| 6．2 工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 独创性声明 | 第74页 |
| 关于论文使用授权的说明 | 第74页 |