| 摘要 | 第1-14页 |
| Abstract | 第14-16页 |
| 第一章 绪论 | 第16-36页 |
| ·课题背景及研究意义 | 第16-25页 |
| ·弱目标检测与跟踪的现实需求 | 第16-17页 |
| ·检测前跟踪处理的优势 | 第17-18页 |
| ·检测前跟踪的实现方法及其发展趋势 | 第18-21页 |
| ·粒子滤波的研究发展及应用现状 | 第21-23页 |
| ·TAD 和TBD 处理的跟踪系统类型对比 | 第23-25页 |
| ·贝叶斯递归检测前跟踪算法的研究现状 | 第25-31页 |
| ·似然比检测与跟踪算法的研究现状 | 第25-27页 |
| ·基于粒子滤波的检测前跟踪算法国外研究现状 | 第27-30页 |
| ·基于粒子滤波的检测前跟踪算法国内研究现状 | 第30-31页 |
| ·研究现状评述与关键技术分析 | 第31-32页 |
| ·主要研究内容与组织结构 | 第32-36页 |
| 第二章 粒子滤波实现检测前跟踪的统一描述框架及其原理 | 第36-64页 |
| ·粒子滤波技术简介 | 第36-44页 |
| ·非线性贝叶斯跟踪 | 第37-38页 |
| ·序贯重要度采样 | 第38-40页 |
| ·重采样 | 第40-43页 |
| ·SIR 滤波 | 第43-44页 |
| ·基于粒子滤波的检测方法 | 第44-46页 |
| ·基于传感器观测的检测前跟踪建模 | 第46-55页 |
| ·雷达检测前跟踪建模 | 第46-50页 |
| ·红外检测前跟踪建模 | 第50-51页 |
| ·仿真试验 | 第51-53页 |
| ·小结 | 第53-55页 |
| ·弱目标检测前跟踪的贝叶斯描述及其粒子滤波实现 | 第55-61页 |
| ·TBD 建模 | 第55页 |
| ·高斯白噪声条件下的贝叶斯TBD | 第55-58页 |
| ·贝叶斯TBD 的粒子滤波实现原理 | 第58-59页 |
| ·仿真试验 | 第59-61页 |
| ·小结 | 第61页 |
| ·粒子滤波多目标TBD 处理的讨论 | 第61-63页 |
| ·目标数量已知且不随时间变化 | 第61页 |
| ·目标数量已知且随时间变化 | 第61-62页 |
| ·目标数量未知 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第三章 基于SPRT-FSS 似然比联合检验和MMPF 的TBD | 第64-89页 |
| ·PF-TBD 算法中弱目标检测过程的解决途径 | 第64-68页 |
| ·描述目标出现与否的独立变量 | 第64-66页 |
| ·SPRT-FSS 似然比联合检验 | 第66-68页 |
| ·基于SPRT-FSS 似然比联合检验的PF-TBD 算法 | 第68-74页 |
| ·目标运动与传感器观测模型 | 第68-69页 |
| ·基于粒子滤波实现的SPRT-FSS 似然比联合检验 | 第69-70页 |
| ·结合粒子滤波和SPRT-FSS 似然比联合检验的TBD 算法 | 第70-71页 |
| ·仿真试验 | 第71-74页 |
| ·基于多模粒子滤波的机动弱目标TBD 算法 | 第74-88页 |
| ·引言 | 第74-75页 |
| ·混合状态估计的贝叶斯描述 | 第75-76页 |
| ·多模粒子滤波算法 | 第76-79页 |
| ·多模粒子滤波中重采样步骤对于粒子的选择能力验证 | 第79-80页 |
| ·目标运动与传感器观测模型 | 第80-82页 |
| ·多模条件下TBD 的贝叶斯递归实现 | 第82-83页 |
| ·基于MMPF 和SPRT-FSS 似然比联合检验的TBD 算法 | 第83-84页 |
| ·仿真试验 | 第84-88页 |
| ·本章小结 | 第88-89页 |
| 第四章 基于多传感器分布式融合的PF-TBD 算法 | 第89-117页 |
| ·引言 | 第89-91页 |
| ·研究动机 | 第89页 |
| ·多传感器分布式融合PF-TBD 算法的实现途径 | 第89-91页 |
| ·多传感器分布式融合PF-TBD 建模 | 第91-95页 |
| ·目标运动与传感器观测模型 | 第92-93页 |
| ·传感器节点粒子滤波算法 | 第93-95页 |
| ·基于粒子融合的多传感器分布式PF-TBD 算法 | 第95-104页 |
| ·多传感器粒子状态融合准则 | 第96-98页 |
| ·粒子间融合对应关系的估计 | 第98-99页 |
| ·基于融合粒子权重的弱目标检测 | 第99-100页 |
| ·基于粒子融合的多传感器分布式PF-TBD 算法总结 | 第100-101页 |
| ·仿真试验 | 第101-104页 |
| ·基于密度融合的多传感器分布式PF-TBD 算法 | 第104-113页 |
| ·用于密度融合的非线性融合准则 | 第106-107页 |
| ·融合粒子未归一化权重的计算实现 | 第107-109页 |
| ·基于融合粒子权重的弱目标检测 | 第109-110页 |
| ·基于密度融合的多传感器分布式PF-TBD 算法总结 | 第110-111页 |
| ·仿真试验 | 第111-113页 |
| ·算法性能对比分析 | 第113-115页 |
| ·本章小结 | 第115-117页 |
| 第五章 基于梯度信息的PF-TBD 算法性能优化 | 第117-132页 |
| ·引言 | 第117-119页 |
| ·PF-TBD 建模 | 第119-122页 |
| ·目标运动与传感观测模型 | 第119-121页 |
| ·PF-TBD 算法 | 第121-122页 |
| ·双梯度粒子滤波算法 | 第122-127页 |
| ·基于观测模型梯度的粒子状态预测 | 第122-124页 |
| ·基于后验密度梯度的粒子分布修正 | 第124-127页 |
| ·基于双梯度粒子滤波的TBD 算法 | 第127页 |
| ·仿真试验及结果分析 | 第127-131页 |
| ·仿真试验 | 第127-129页 |
| ·结果分析 | 第129-131页 |
| ·本章小结 | 第131-132页 |
| 第六章 结束语 | 第132-135页 |
| 致谢 | 第135-137页 |
| 参考文献 | 第137-150页 |
| 作者在学期间取得的学术成果 | 第150-151页 |
| 附录A Gibbs 采样算法 | 第151-153页 |
| 附录B 公式(4.4.1)的证明 | 第153-154页 |
| 附录C 均值漂移(Mean Shift)算法 | 第154-155页 |
