第 1章绪 论
1.1 课题背景及研究目的和意义
1.2国内外研究现状
1.2.1基于模型的目标跟踪方法
1.2.2基于机器学习的目标跟踪方法
1.3研究的主要内容和各章节的安排
第 2章基于深度神经网络的单目标跟踪方法
2.1引言
2.2运动目标的数学模型分析和数据预处理
2.2.1状态空间模型
2.2.2数据预处理
2.3基于深度神经网络的目标状态估计
2.3.1 LSTM 神经网络
2.3.2 基于 LSTM 的目标状态估计
2.4实验结果与分析
2.4.1目标运动场景的建立
2.4.2线性雷达观测实验与分析
2.4.3非线性雷达观测实验与分析
2.5本章小结
第 3章数据-模型混合驱动的单目标跟踪方法
3.1引言
3.2经典滤波算法
3.2.1问题描述
3.2.2卡尔曼滤波算法
3.2.3扩展卡尔曼滤波算法
3.2.4粒子滤波算法
3.3数据-模型混合驱动的单目标跟踪模型构建
3.3.1基于模型的数据处理
3.3.2 LSTM 神经网络模型构建
3.4基于线性加权多融合模型的目标跟踪建模
3.4.1加权平均融合算法
3.4.2改进的加权融合算法
3.5实验结果与分析
3.5.1线性雷达观测实验与分析
3.5.2非线性雷达观测实验与分析
3.6本章小结
第 4章基于深度神经网络的多目标跟踪方法
4.1引言
4.2基于LSTM的观测值估计模型
4.3基于LSTM的多目标跟踪模型
4.3.1基于LSTM的关联概率密度估计模型
4.3.2数据关联规则
4.3.3多目标跟踪模型
4.4实验结果
4.5本章小结
第 5章数据-模型混合驱动的多目标跟踪方法
5.1引言
5.2循环卷积神经网络
5.2.1卷积神经网络
5.2.2 循环卷积神经网络
5.2.3构建子训练数据集
5.3概率假设密度滤波理论
5.3.1概率假设密度的定义
5.3.2 PHD 滤波器
5.3.3 GM-PHD 滤波器
5.4基于循环卷积神经网络构建多目标跟踪模型
5.4.1概率密度差
5.4.2构建多目标跟踪模型
5.5实验结果与分析
5.6本章小结
结论
参考文献
声明
致谢
哈尔滨工业大学;