基于小波神经网络的机动目标跟踪的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-15页 |
| ·课题背景 | 第11-12页 |
| ·小波和神经网络用于目标跟踪研究现状 | 第12-13页 |
| ·本文的主要工作 | 第13-15页 |
| 第二章 小波神经网络 | 第15-44页 |
| ·小波 | 第15-23页 |
| ·小波分析的发展 | 第15-16页 |
| ·小波变换的定义 | 第16-18页 |
| ·小波变换的特点 | 第18-20页 |
| ·小波框架与多分辨率分析 | 第20-23页 |
| ·人工神经网络理论的发展 | 第23-26页 |
| ·理论的发展 | 第24-25页 |
| ·神经网络的结构及类型 | 第25-26页 |
| ·前馈神经网络 | 第26-31页 |
| ·BP神经网络结构 | 第27-28页 |
| ·BP网络隐含层激励函数 | 第28页 |
| ·BP神经网络学习算法及改进 | 第28-31页 |
| ·小波神经网络基本理论 | 第31-34页 |
| ·小波神经网络的进展 | 第31-32页 |
| ·小波神经网络的构造 | 第32-34页 |
| ·连续小波神经网络 | 第34-35页 |
| ·连续小波神经网络结构 | 第34页 |
| ·连续小波神经网络激励函数 | 第34-35页 |
| ·多分辨率正交小波神经网络 | 第35-39页 |
| ·多分辨率正交小波神经网络结构 | 第36-37页 |
| ·子网络隐含层节点数目的确定 | 第37-38页 |
| ·网络训练算法 | 第38-39页 |
| ·MONTE CARLO仿真及跟踪误差统计分析 | 第39-42页 |
| ·Monte Carlo仿真 | 第39-42页 |
| ·跟踪误差统计分析 | 第42页 |
| ·本章小结 | 第42-44页 |
| 第三章 目标跟踪模型分析 | 第44-59页 |
| ·目标跟踪算法概述 | 第44-45页 |
| ·滤波与预测算法 | 第45-48页 |
| ·卡尔曼滤波算法 | 第46页 |
| ·卡尔曼滤波算法流程图 | 第46-47页 |
| ·离散线性卡尔曼滤波的实现 | 第47-48页 |
| ·跟踪坐标系的选取 | 第48-52页 |
| ·转换测量值误差的均值和方差 | 第49-50页 |
| ·转换坐标卡尔曼滤波算法 | 第50-52页 |
| ·目标运动模型的建立 | 第52-58页 |
| ·匀速(CV)和常加速(CA)模型 | 第52-53页 |
| ·一阶时间相关(Singer)模型 | 第53-55页 |
| ·“当前”统计模型 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第四章 基于小波神经网络的目标跟踪 | 第59-87页 |
| ·连续WNN收敛性分析 | 第59-61页 |
| ·小波基的选取 | 第61-65页 |
| ·多分辨率正交WNN与BP网络性能比较分析 | 第65-66页 |
| ·模型跟踪仿真分析 | 第66-71页 |
| ·CV和CA模型的跟踪性能比较 | 第66-67页 |
| ·Singer模型与“当前”统计模型性能比较 | 第67-71页 |
| ·基于多分辨率小波神经网络的目标跟踪 | 第71-86页 |
| ·基于WNN的系统结构 | 第72-73页 |
| ·基于WNN的机动目标自适应跟踪算法的步骤 | 第73-76页 |
| ·仿真分析 | 第76-86页 |
| ·本章小结 | 第86-87页 |
| 第五章 总结与展望 | 第87-90页 |
| ·本文工作总结 | 第87-89页 |
| ·展望 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-95页 |
| 攻读学位期间发表的学术论文目录 | 第95页 |
