丛书序
自序
第1章 目标跟踪概论
1.1 目标跟踪问题概述
1.2 目标跟踪算法的发展历程
参考文献
第2章 目标跟踪的滤波理论
2.1 贝叶斯滤波
2.1.1 离散空间模型
2.1.2 线性状态估计
2.1.3 贝叶斯定理在跟踪中的应用
2.2 状态运动模型
2.2.1 匀速模型
2.2.2 匀加速模型
2.2.3 Singer模型
2.3 目标方位变化规律
2.4 卡尔曼滤波
2.4.1 卡尔曼滤波推导
2.4.2 扩展卡尔曼滤波
2.4.3 扩展卡尔曼平滑
2.4.4 无迹卡尔曼滤波
2.5 粒子滤波
2.5.1 蒙特卡罗积分
2.5.2 贝叶斯重要性采样
2.5.3 序贯重要性采样
2.5.4 粒子滤波的退化现象和重采样
2.5.5 基于粒子滤波的状态估计
2.5.6 Rao-Blackwellized粒子滤波器
参考文献
第3章 多目标数据关联及跟踪评价准则
3.1 多目标数据关联方法
3.1.1 昀近邻数据关联
3.1.2 联合概率数据关联
3.1.3 多假设跟踪
3.2 多目标跟踪评价准则
参考文献
第4章 基于Rao-Blackwellized粒子滤波器的水声多目标跟踪
4.1 RBMCDA算法
4.1.1 Rao-Blackwellized粒子滤波器算法流程
4.1.2 RBMCDA算法原理
4.1.3 多观测值的扩展
4.2 改进的RBMCDA实时多目标跟踪算法
4.2.1 基于k时刻昀优粒子的RBMCDA多目标跟踪
4.2.2 基于密度聚类和RBMCDA的实时多目标跟踪
4.3 仿真实验
4.3.1 实验1：可行性验证实验
4.3.2 实验2：鲁棒性验证实验
参考文献
第5章 基于概率假设密度的多目标跟踪算法
5.1 基于随机有限集的多目标跟踪基础
5.1.1 随机有限集的定义
5.1.2 基于随机有限集的多目标跟踪模型
5.1.3 多目标贝叶斯滤波器
5.2 PHD滤波器
5.2.1 PHD滤波器原理
5.2.2 基于序贯蒙特卡罗实现的PHD算法
5.2.3 基于高斯混合实现的PHD算法
5.3 基于观测驱动的标签GM-PHD算法多目标跟踪
5.4 仿真实验
5.4.1 实验1：CV模型下的多目标跟踪
5.4.2 实验2：机动目标的跟踪
参考文献
第6章 基于粒子滤波的检测前跟踪算法
6.1 水声阵列信号检测前跟踪基本理论
6.1.1 声呐线列阵信号模型
6.1.2 基于贝叶斯估计的目标跟踪框架
6.1.3 检测前跟踪算法
6.1.4 粒子滤波算法相关理论
6.2 基于被动声呐的粒子滤波单目标检测前跟踪算法
6.2.1 被动声呐目标信号源模型的建立
6.2.2 被动声呐量测模型的建立
6.2.3 空间谱量测似然函数模型
6.2.4 仿真实现
6.3 基于被动声呐的粒子滤波多目标检测前跟踪算法
6.3.1 独立分区粒子滤波算法
6.3.2 并行分区粒子滤波算法
6.3.3 联合权值假设检验方法
6.3.4 仿真实现
参考文献
第7章 单基阵纯方位目标运动分析
7.1 单基阵纯方位目标可观测性分析
7.2 LS-BOTMA算法与BCLS-BOTMA算法
7.2.1 LS-BOTMA算法
7.2.2 BCLS-BOTMA算法
7.3 算法评价准则
7.3.1 克拉默-拉奥下界
7.3.2 均方根误差
7.4 仿真结果
参考文献
第8章 多信息联合目标运动分析
8.1 多普勒频率-方位目标运动分析
8.1.1 多普勒频率-方位目标可观测性分析
8.1.2 伪线性多普勒频率-方位目标运动分析算法
8.1.3 克拉默-拉奥下界
8.2 双基阵目标运动分析
8.2.1 双基阵目标可观测性分析
8.2.2 双基阵目标参数无偏估计算法
8.2.3 克拉默-拉奥下界
8.3 仿真结果
8.3.1 多普勒频率-方位目标运动分析
8.3.2 双基阵目标运动分析
参考文献
索引
彩图
展开
