前言
第1章 绪论
1.1 背景
1.2 运动目标的估计
1.3 运动目标估计的进展
1.4 预备知识
1.5 附注
参考文献
第2章 概率统计及随机过程基础知识
2.1 概述
2.2 最小二乘估计
2.3 多项式拟合
2.4 参数估计的拟合优度与统计显著性
2.5 极大似然估计和极大后验估计
2.6 最小均方误差估计
2.7 估计的性质
2.8 本章小结
参考文献
第3章 Kalman估计
3.1 Kalman滤波
3.2 Kalman平滑
3.3 滤波的基本定理
3.4 本章小结
参考文献
第4章 单模型自适应估计
4.1 引言
4.2 模型方差自适应调节的估计器
4.3 两级Kalman滤波器
4.4 区间估计器
4.5 Singer模型
4.6 当前统计模型
4.7 输入估计
4.8 变维滤波
4.9 强跟踪滤波器
4.10 本章小结
参考文献
第5章 具有广义未知干扰输入的随机系统鲁棒滤波
5.1 引言
5.2 具有GUDI的随机系统建模
5.3 上界滤波器设计
5.4 最小上界滤波器设计
5.5 仿真分析
5.6 本章小结
参考文献
第6章 一种用于具有未知噪声线性系统的自适应Kalman滤波器
6.1 引言
6.2 问题描述
6.3 自适应Kalman滤波器的设计
6.4 时滞和参数估计的计算机仿真
6.5 本章小结
参考文献
第7章 鲁棒IMM滤波
7.1 引言
7.2 算法推导
7.3 时滞和参数的联合估计
7.4 本章小结
参考文献
第8章 Gauss近似非线性滤波
8.1 EKF滤波
8.2 UT变换
8.3 UKF算法
8.4 仿真实验
8.5 本章小结
参考文献
第9章 粒子滤波器
9.1 引言
9.2 基本思想
9.3 PF实现
9.4 仿真分析
9.5 本章小结
参考文献
第10章 IMM算法
10.1 引言
10.2 IMM算法
10.3 IMM算法参数分析
10.4 IMM算法过渡过程仿真分析
10.5 IMM算法的收敛性
10.6 多模型估计与贝叶斯因果网
10.7 本章小结
参考文献
第11章 自适应IMM算法
11.1 引言
11.2 SIMM算法
11.3 具有参数的AIMM算法
11.4 两级IMM算法
11.5 本章小结
参考文献
第12章 混合估计平滑
12.1 引言
12.2 固定区间平滑算法
12.3 一步固定滞后平滑算法
12.4 基于状态扩维的任意步固定滞后平滑算法
12.5 两种同定滞后平滑算法仿真比较
12.6 本章小结
参考文献
第13章 基于一般紧支撑小波的动态多尺度系统（DMS）集中式最优估计
13.1 引言
13.2 离散DMS一般紧支撑小波实现
13.3 离散定常DMS的一般紧支撑小波实现形式
13.4 系统的随机可控性
13.5 系统的随机可测性
13.6 Kalman滤波系统的稳定性
13.7 基于一般紧支撑小波的集中式最优估计算法仿真
13.8 本章小结
参考文献
第14章 基于Haar小波的DMS序贯式最优估计
14.1 引言
14.2 序贯式Kalman滤波
14.3 基于Haar小波的DMS序贯式估计
14.4 基于Haar小波的序贯式最优估计算法仿真
14.5 本章小结
参考文献
第15章 基于PF的检测跟踪一体化技术
15.1 引言
15.2 算法推导
15.3 序列图像运动目标的检测和跟踪
15.4 算法性能分析
15.5 本章小结
参考文献
第16章 基于图像增强的机动目标跟踪
16.1 引言
16.2 基于图像增强的IMM估计
16.3 模式观测一步滞后的IMM方法
16.4 仿真分析
16.5 本章小结
参考文献
第17章 基于地理信息的扩展对地跟踪
17.1 引言
17.2 利用地理信息的EGTT
17.3 基于EGTT的EMTV
17.4 基于EGTT的C-IMMMTV算法
17.5 本章小结
参考文献
附录A 线性代数与线性系统简要回顾
附录B 概率论与随机过程的简单回顾
附录C 假设检验与统计推断的简单回顾
附录D 第5章定理证明
附录E 第6章定理证
缺书网
扫码进群