多傳感器組網(wǎng)協(xié)同跟蹤的理論與方法

第1章 多傳感器協(xié)同跟蹤相關(guān)概念
1.1 引言
1.2 多傳感器協(xié)同跟蹤的概念
1.3 多傳感器協(xié)同跟蹤的基本組成
參考文獻(xiàn)
第2章 目標(biāo)跟蹤算法
2.1 引言
2.2 狀態(tài)估計算法——Kalman濾波算法
2.3 目標(biāo)運(yùn)動模型
2.4 量測模型及坐標(biāo)系
參考文獻(xiàn)
第3章 機(jī)動目標(biāo)跟蹤中狀態(tài)估計算法——KF算法
3.1 引言
3.2 修正卡爾曼濾波算法原理
3.3 基于高斯分布的AKF算法
3.4 基于最小新息協(xié)方差的AKF算法
3.5 基于最小估計協(xié)方差的AKF算法
參考文獻(xiàn)
第4章 目標(biāo)運(yùn)動建?！狢S模型的改進(jìn)
4.1 引言
4.2 自適應(yīng)CS模型
4.3 基于自適應(yīng)CS模型的IMM算法
參考文獻(xiàn)
第5章 多傳感器信息融合估計
5.1 引言
5.2 信息融合基本理論
5.3 估計融合的基本算法
參考文獻(xiàn)
第6章 多傳感器管理
6.1 傳感器管理的基本概念
6.2 傳感器管理的基本問題
6.3 協(xié)同跟蹤中的傳感器管理
參考文獻(xiàn)
第7章 基于PSO算法的傳感器覆蓋優(yōu)化
7.1 引言
7.2 PSO算法及改進(jìn)的PSO算法
7.3 粒子探索能力增強(qiáng)型PSO算法
7.4 基于改進(jìn)PSO算法的動態(tài)傳感器網(wǎng)絡(luò)覆蓋優(yōu)化
參考文獻(xiàn)
第8章 數(shù)據(jù)丟失時多傳感器機(jī)動目標(biāo)協(xié)同跟蹤算法
8.1 引言
8.2 數(shù)據(jù)丟失情況下的Kalman濾波算法
8.3 可移動節(jié)點協(xié)同跟蹤算法
8.4 基于AMKF算法的可移動傳感器節(jié)點協(xié)同跟蹤算法
參考文獻(xiàn)
第9章 低檢測概率條件下多目標(biāo)協(xié)同跟蹤算法
9.1 引言
9.2 基于協(xié)方差矩陣的傳感器-目標(biāo)分配算法
9.3 基于最近鄰方法的傳感器-目標(biāo)分配算法
9.4 可移動傳感器節(jié)點最近鄰傳感器-目標(biāo)分配算法
9.5 考慮跟蹤精度的可移動傳感器節(jié)點最近鄰傳感器-目標(biāo)分配算法
參考文獻(xiàn)
附錄
附錄A 卡爾曼濾波方程的推導(dǎo)
附錄B 統(tǒng)計估計的基本理論及貝葉斯估計
附錄C 信息濾波器
附錄D 最小二乘估計
附錄E 最大似然估計