| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 研究历史与现状 | 第15-17页 |
| 1.2.1 多传感器信息融合发展概况 | 第15-16页 |
| 1.2.2 一致性发展概况 | 第16-17页 |
| 1.3 信息融合、一致性与目标跟踪的关系 | 第17-20页 |
| 1.4 本文主要工作和内容安排 | 第20-22页 |
| 第二章 基于一致性的分布式滤波算法 | 第22-36页 |
| 2.1 引言 | 第22-23页 |
| 2.2 一致性算法介绍 | 第23-27页 |
| 2.2.1 一致性中的图论基础 | 第23页 |
| 2.2.2 一致性算法的理论分析 | 第23-25页 |
| 2.2.3 一致性算法的收敛性分析 | 第25页 |
| 2.2.4 一致性算法性能分析 | 第25-26页 |
| 2.2.5 一致性滤波器 | 第26页 |
| 2.2.6 一致性问题的一个实例 | 第26-27页 |
| 2.3 卡尔曼滤波算法介绍 | 第27-30页 |
| 2.3.1 系统描述 | 第28-29页 |
| 2.3.2 经典卡尔曼滤波算法 | 第29-30页 |
| 2.4 基于一致性的卡尔曼滤波算法 | 第30-35页 |
| 2.4.1 网络拓扑建模 | 第30页 |
| 2.4.2 系统数学描述 | 第30-31页 |
| 2.4.3 算法介绍 | 第31-32页 |
| 2.4.4 仿真实验 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于一致性目标跟踪算法 | 第36-51页 |
| 3.1 引言 | 第36-37页 |
| 3.2 两种加权多传感器最优信息融合准则 | 第37-41页 |
| 3.2.1 按矩阵加权最优融合准则和算法 | 第38-40页 |
| 3.2.2 按标量加权最优融合准则和算法 | 第40-41页 |
| 3.3 基于一致性的加权卡尔曼滤波算法 | 第41-43页 |
| 3.3.1 基于一致性的加权卡尔曼滤波算法理论框架 | 第41-42页 |
| 3.3.2 基于一致性的加权卡尔曼滤波算法描述 | 第42-43页 |
| 3.4 基于一致性的加权卡尔曼滤波算法改进 | 第43-45页 |
| 3.5 仿真实验与结果分析 | 第45-50页 |
| 3.5.1 基于一致性的加权卡尔曼滤波算法与经典算法的比较 | 第46-48页 |
| 3.5.2 基于一致性的加权卡尔曼滤波算法与改进算法的比较 | 第48-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 杂波环境中基于一致性的目标跟踪算法 | 第51-68页 |
| 4.1 引言 | 第51-52页 |
| 4.2 数据关联 | 第52-55页 |
| 4.2.1 数据关联过程 | 第52-53页 |
| 4.2.2 最邻近数据关联（NNDA）算法 | 第53-54页 |
| 4.2.3 概率数据关联（PDA）算法 | 第54-55页 |
| 4.3 基于一致性的数据关联算法 | 第55-60页 |
| 4.3.1 基于一致性的最邻近数据关联算法 | 第56-57页 |
| 4.3.2 基于一致性的概率数据关联算法 | 第57-60页 |
| 4.4 仿真实验与结果分析 | 第60-67页 |
| 4.4.1 仿真 1 | 第60-65页 |
| 4.4.2 仿真 2 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 本文工作总结 | 第68-69页 |
| 5.2 研究展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间已发表或录用的论文 | 第77页 |
