声明
1 绪论
1.1 研究背景与意义
1.2 多传感器融合技术发展现状
1.2.1机动目标跟踪研究现状
1.2.2多传感器融合研究现状
1.2.3 神经网络的研究现状
1.3 主要研究内容
1.4 论文的结构安排
2 多传感器融合系统理论基础
2.1 常用坐标系及其转换
2.1.1 融合跟踪系统常用坐标系
2.1.2 坐标系转换公式
2.2 卡尔曼滤波器
2.3 协方差交叉融合
2.4 机动目标的运动模型
2.4.1 常速度模型
2.4.2 常加速度模型
2.4.3 Singer模型
2.4.4 转弯模型
2.5 多传感器融合的功能模型
2.6 多传感器融合的处理结构
2.6.1 集中式融合处理结构
2.6.2 分布式融合处理结构
2.6.3 混合式融合处理结构
3 基于UKF和Elman神经网络的多传感器融合算法
3.1 引言
3.2 Elman神经网络
3.2.1 网络特点
3.2.2 网络结构
3.3 无迹卡尔曼滤波器
3.3.1无迹变换
3.3.2 滤波算法实现
3.4 基于UKF和Elman神经网络的融合算法
3.4.1 观测目标的运动模型修正
3.4.2 序贯形式的协方差交叉融合算法
3.4.3 Elman 神经网络的结构设计
3.4.4 算法流程描述
3.5 仿真分析
3.5.1 仿真场景
3.5.2 实验与分析
3.6 本章小结
4 基于IMM和RBF神经网络的多传感器异步融合算法
4.1 引言
4.2 序贯融合
4.3 交互多模型滤波算法
4.4 RBF神经网络
4.4.2 网络结构
4.4.3 学习方法
4.5 基于IMM和RBF神经网络的融合算法
4.5.1 采样描述
4.5.2 RBF网络设计
4.5.3 算法流程
4.6 仿真分析
4.6.1 仿真场景
4.6.2 实验与分析
4.7 本章小结
5 多雷达航迹融合仿真平台设计与实现
5.1 系统总体框架设计
5.1.1 输入模块
5.1.2 配置模块
5.1.3 融合模块
5.1.4 显示模块
5.1.5 统计模块
5.1.6 存储模块
5.2 仿真环境
5.2.1 软件环境
5.2.2 硬件环境
5.3 系统测试
5.4 本章小结
6 总结和展望
6.1 主要成果
6.2 未来展望
致 谢
参考文献
附录
南京理工大学;