| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·机动目标跟踪问题的提出 | 第8-9页 |
| ·机动目标跟踪的研究目的 | 第8-9页 |
| ·机动目标跟踪的研究意义 | 第9页 |
| ·研究现状概述 | 第9-11页 |
| ·本文研究内容 | 第11-12页 |
| ·本文的组织结构 | 第12-13页 |
| 第二章 机动目标跟踪的基本理论与方法 | 第13-26页 |
| ·机动目标跟踪的基本原理 | 第13-14页 |
| ·机动单目标跟踪的基本原理 | 第13页 |
| ·机动多目标跟踪的基本原理 | 第13-14页 |
| ·机动目标跟踪的基本要素 | 第14-16页 |
| ·量测数据形成 | 第14页 |
| ·机动检测 | 第14页 |
| ·跟踪坐标系与滤波状态变量的选取 | 第14-15页 |
| ·跟踪门的形成方法 | 第15-16页 |
| ·跟踪起始与跟踪终结 | 第16页 |
| ·卡尔曼滤波理论 | 第16-21页 |
| ·标准卡尔曼滤波器 | 第17-18页 |
| ·扩展卡尔曼滤波器 | 第18页 |
| ·滤波器的初始化 | 第18-19页 |
| ·仿真实验及分析 | 第19-21页 |
| ·数据关联理论 | 第21-25页 |
| ·“最近邻”数据关联法 | 第21-22页 |
| ·“全邻”最优滤波器 | 第22页 |
| ·概率数据关联滤波器 | 第22-23页 |
| ·联合概率数据关联算法 | 第23-24页 |
| ·多假设法 | 第24页 |
| ·航迹分裂法 | 第24页 |
| ·简化的联合概率数据关联算法 | 第24-25页 |
| ·人工神经网络与联合概率数据关联算法的结合 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于HOPFIELD 神经网络的联合概率数据关联算法 | 第26-38页 |
| ·联合概率数据关联算法 | 第26-30页 |
| ·HOPFIELD 神经网络 | 第30-33页 |
| ·CHNN 结构 | 第30-31页 |
| ·CHNN 结构的模型 | 第31-32页 |
| ·CHNN 能量函数与稳定性分析 | 第32页 |
| ·Hopfield 网络的主要功能 | 第32-33页 |
| ·基于CHNN 的联合概率数据关联算法 | 第33-35页 |
| ·仿真结果及分析 | 第35-37页 |
| ·仿真结果 | 第35-37页 |
| ·参数分析 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于遗传算法的自适应多目标滤波算法 | 第38-46页 |
| ·自适应滤波 | 第38-40页 |
| ·检测自适应滤波 | 第38-39页 |
| ·实时辨识自适应滤波 | 第39页 |
| ·全面自适应滤波 | 第39-40页 |
| ·滤波参数的自适应优化 | 第40-41页 |
| ·适应值函数的选取 | 第40页 |
| ·GA 操作 | 第40-41页 |
| ·基于遗传算法的实现 | 第41-43页 |
| ·仿真结果及分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 基于混合滤波器的机动多目标跟踪算法研究 | 第46-56页 |
| ·粒子滤波的一般方法 | 第46-52页 |
| ·序贯重要性采样法 | 第46-48页 |
| ·优选重要性密度函数法 | 第48-49页 |
| ·重采样法 | 第49-50页 |
| ·仿真结果 | 第50-52页 |
| ·混合滤波器下的多目标跟踪算法 | 第52-53页 |
| ·仿真结果及分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第63页 |