| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 目标跟踪系统的可观测度方法研究 | 第11-12页 |
| 1.2.2 可观测度与滤波性能的内联性研究 | 第12页 |
| 1.2.3 基于可观测度分析的自适应滤波算法 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 第2章 传统可观测度分析方法比较研究 | 第14-23页 |
| 2.1 引言 | 第14-15页 |
| 2.2 系统模型 | 第15页 |
| 2.3 四种典型的可观测度分析方法 | 第15-19页 |
| 2.3.1 基于估计误差协方差阵的可观测度分析 | 第15-16页 |
| 2.3.2 基于奇异值分解的可观测度分析 | 第16-17页 |
| 2.3.3 基于伪逆的不可观测度分析 | 第17-18页 |
| 2.3.4 基于估计误差衰减程度的可观测度分析 | 第18-19页 |
| 2.4 比较分析 | 第19-20页 |
| 2.5 仿真研究 | 第20-22页 |
| 2.6 结论 | 第22-23页 |
| 第3章 可观测度理论与Kalman滤波估计关系分析研究 | 第23-29页 |
| 3.1 引言 | 第23页 |
| 3.2 可观测度与Kalman滤波估计关系分析研究 | 第23-27页 |
| 3.2.1 基于估计误差协方差的相关性分析 | 第24-25页 |
| 3.2.2 基于奇异值分解的相关性分析 | 第25-27页 |
| 3.3 仿真研究 | 第27-28页 |
| 3.4 结论 | 第28-29页 |
| 第4章 基于卡尔曼滤波分析的可观测度研究 | 第29-40页 |
| 4.1 引言 | 第29页 |
| 4.2 基于加权最小二乘的可观测度方法 | 第29-37页 |
| 4.2.1 可观测性计算矩阵 | 第31-33页 |
| 4.2.2 可观测性与滤波性能关系分析 | 第33页 |
| 4.2.3 可观测度计算矩阵 | 第33-34页 |
| 4.2.4 可观测度定义 | 第34页 |
| 4.2.5 归一化处理 | 第34-36页 |
| 4.2.6 简要分析 | 第36-37页 |
| 4.3 仿真分析 | 第37-39页 |
| 4.4 结论 | 第39-40页 |
| 第5章 基于可观测度分析的智能Kalman滤波 | 第40-56页 |
| 5.1 引言 | 第40-41页 |
| 5.2 问题描述 | 第41-43页 |
| 5.2.1 传递对准模型 | 第41-42页 |
| 5.2.2 模型离散化 | 第42页 |
| 5.2.3 研究动机 | 第42-43页 |
| 5.3 智能滤波基本框架 | 第43-44页 |
| 5.4 智能可观测度理论 | 第44-45页 |
| 5.4.1 智能可观测度计算矩阵 | 第44-45页 |
| 5.4.2 智能可观测度定义 | 第45页 |
| 5.5 基于可观测度分析的智能Kalman滤波 | 第45-49页 |
| 5.5.1 智能调节因子分析 | 第45-46页 |
| 5.5.2 智能调节因子选取 | 第46-49页 |
| 5.6 智能滤波过程 | 第49-50页 |
| 5.7 仿真研究 | 第50-54页 |
| 5.7.1 仿真条件 | 第50页 |
| 5.7.2 仿真结果 | 第50-53页 |
| 5.7.3 仿真分析 | 第53-54页 |
| 5.8 结论 | 第54页 |
| 5.9 附录 | 第54-56页 |
| 第6章 总结和展望 | 第56-58页 |
| 6.1 论文总结 | 第56页 |
| 6.2 论文展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 附录 | 第65页 |