| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 声矢量传感器阵列DOA估计跟踪研究现状 | 第12-15页 |
| 1.2.1 静止目标DOA估计的研究现状 | 第12-13页 |
| 1.2.2 运动目标DOA跟踪的研究现状 | 第13-15页 |
| 1.3 粒子滤波算法和交互多模型算法的研究现状 | 第15-18页 |
| 1.3.1 粒子滤波的研究现状 | 第15-16页 |
| 1.3.2 交互多模型算法的研究现状 | 第16-18页 |
| 1.4 本文的主要研究内容 | 第18-21页 |
| 第2章 模型建立与算法原理 | 第21-37页 |
| 2.1 声矢量传感器的数学模型 | 第21-24页 |
| 2.1.1 前提和假设 | 第21页 |
| 2.1.2 单声矢量传感器的数学模型 | 第21-23页 |
| 2.1.3 声矢量传感器阵列的输出模型 | 第23-24页 |
| 2.2 运动模型 | 第24-30页 |
| 2.2.1 基本运动模型 | 第26-28页 |
| 2.2.2 Singer模型与“当前”统计模型 | 第28-30页 |
| 2.3 粒子滤波算法基本原理 | 第30-35页 |
| 2.3.1 贝叶斯滤波理论 | 第30-32页 |
| 2.3.2 重要性采样 | 第32-33页 |
| 2.3.3 序贯重要性采样算法 | 第33-34页 |
| 2.3.4 SIR算法 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 基于单模型的DOA跟踪算法 | 第37-69页 |
| 3.1 DOA跟踪状态方程的建立 | 第37-39页 |
| 3.1.1 基于CV模型的状态方程 | 第37-38页 |
| 3.1.2 基于CA模型的状态方程 | 第38-39页 |
| 3.1.3 基于CS模型的状态方程 | 第39页 |
| 3.2 DOA跟踪观测方程 | 第39-41页 |
| 3.2.1 L阵观测模型的建立 | 第39-41页 |
| 3.3 特征空间粒子滤波DOA跟踪算法 | 第41-59页 |
| 3.3.1 似然函数与特征空间 | 第41-42页 |
| 3.3.2 基于单模型的特征空间粒子滤波DOA跟踪算法 | 第42-44页 |
| 3.3.3 典型运动场景构建 | 第44-48页 |
| 3.3.4 仿真实验 | 第48-59页 |
| 3.4 自适应特征空间粒子滤波DOA跟踪算法 | 第59-67页 |
| 3.4.1 单模型的性能分析 | 第59-60页 |
| 3.4.2 自适应特征空间粒子滤波DOA跟踪算法 | 第60-61页 |
| 3.4.3 仿真实验 | 第61-67页 |
| 3.5 本章小结 | 第67-69页 |
| 第4章 基于交互多模型的DOA跟踪算法 | 第69-81页 |
| 4.1 IMM算法 | 第69-71页 |
| 4.2 基于IMM的特征空间粒子滤波DOA跟踪算法 | 第71-80页 |
| 4.2.1 模型集建立 | 第71-72页 |
| 4.2.2 基于IMM的特征空间粒子滤波DOA跟踪算法 | 第72-75页 |
| 4.2.3 仿真实验 | 第75-80页 |
| 4.3 本章小结 | 第80-81页 |
| 第5章 总结与展望 | 第81-83页 |
| 5.1 全文总结 | 第81-82页 |
| 5.2 研究展望 | 第82-83页 |
| 参考文献 | 第83-91页 |
| 作者简介及科研成果 | 第91-93页 |
| 致谢 | 第93-94页 |
