| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景和意义 | 第9页 |
| ·研究现状 | 第9-13页 |
| ·机动目标跟踪的基本问题 | 第9-10页 |
| ·目标运动模型 | 第10-11页 |
| ·状态估计 | 第11-12页 |
| ·数据关联方法 | 第12-13页 |
| ·本文研究内容 | 第13-15页 |
| 2 机动目标跟踪理论与算法概述 | 第15-23页 |
| ·机动目标跟踪基本理论 | 第15-16页 |
| ·目标运动模型 | 第16-18页 |
| ·CV和CA模型 | 第16页 |
| ·Singer模型 | 第16-17页 |
| ·机动目标“当前”统计模型 | 第17页 |
| ·协调转弯模型 | 第17-18页 |
| ·卡尔曼滤波算法 | 第18-19页 |
| ·概率数据关联滤波算法 | 第19-22页 |
| ·有效量测 | 第20-21页 |
| ·数据关联卡尔曼 | 第21-22页 |
| ·非线性滤波算法 | 第22页 |
| ·本章小结 | 第22-23页 |
| 3 目标跟踪中非线性滤波算法理论 | 第23-33页 |
| ·引言 | 第23页 |
| ·目标跟踪中非线性滤波算法 | 第23-29页 |
| ·扩展卡尔曼滤波 | 第23-25页 |
| ·无迹卡尔曼滤波 | 第25-27页 |
| ·容积卡尔曼滤波 | 第27-29页 |
| ·算法仿真分析 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于迭代容积粒子滤波算法 | 第33-51页 |
| ·引言 | 第33页 |
| ·Bayes滤波 | 第33-35页 |
| ·Monte Carlo采样原理 | 第35页 |
| ·改进的粒子滤波算法 | 第35-40页 |
| ·重要性采样 | 第35-36页 |
| ·序贯重要性采样(Sequential Importance Sampling,SIS) | 第36-37页 |
| ·粒子滤波算法存在的问题 | 第37-38页 |
| ·重要性密度函数选取 | 第38-39页 |
| ·粒子滤波算法主要步骤 | 第39-40页 |
| ·改进的粒子滤波算法 | 第40-46页 |
| ·EPF算法 | 第40-41页 |
| ·UPF算法 | 第41-43页 |
| ·迭代容积粒子滤波算法 | 第43-44页 |
| ·迭代容积粒子滤波算法 | 第44-46页 |
| ·仿真验证 | 第46-49页 |
| ·仿真模型 | 第46-47页 |
| ·仿真结果及分析 | 第47-49页 |
| ·本章小结 | 第49-51页 |
| 5 基于粒子滤波的交互式多模型 | 第51-64页 |
| ·引言 | 第51页 |
| ·交互式多模型算法 | 第51-59页 |
| ·最优方法 | 第52-53页 |
| ·基本IMM算法 | 第53-55页 |
| ·交互式多模型粒子滤波算法 | 第55-57页 |
| ·迭代容积交互式多模型粒子滤波算法 | 第57-59页 |
| ·仿真分析 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文 | 第71-72页 |
| 致谢 | 第72-74页 |