第1章 機動目標(biāo)跟蹤 1.1 機動目標(biāo)跟蹤問題 1.1.1 目標(biāo)運動形式的不確定性 1.1.2 量測來源的不確定性 1.1.3 目標(biāo)數(shù)目的不確定性 1.2 機動目標(biāo)跟蹤的研究現(xiàn)狀 1.2.1 目標(biāo)運動的隨機跳變系統(tǒng)模型 1.2.2 多傳感器分布式機動目標(biāo)跟蹤 1.2.3 多目標(biāo)跟蹤的隨機有限集理論 1.3 目標(biāo)運動模型 1.4 動態(tài)系統(tǒng)濾波 1.4.1 Kalman濾波 1.4.2 擴展Kalman濾波 1.4.3 無跡Kalman濾波 1.4.4 容積Kalman濾波 1.4.5 粒子濾波 1.4.6 H□濾波 1.4.7 交互式多模型濾波 1.4.8 多模型粒子濾波 1.5 小結(jié) 第2章 多模型自適應(yīng)濾波 2.1 多模型信息論濾波 2.1.1 算法設(shè)計 2.1.2 性能分析 2.1.3 仿真例子 2.2 多模型反饋學(xué)習(xí)濾波 2.2.1 算法設(shè)計 2.2.2 性能分析 2.2.3 仿真例子 2.3 多模型隨機矩陣濾波 2.3.1 問題描述 2.3.2 矩匹配融合 2.3.3 信息論融合 2.3.4 仿真例子 2.4 多模型風(fēng)險靈敏性濾波 2.4.1 問題描述 2.4.2 非線性濾波與平滑 2.4.3 仿真例子 2.5 分層交互式多模型濾波 2.5.1 問題描述 2.5.2 算法設(shè)計 2.5.3 仿真例子 2.6 小結(jié) 第3章 分布式多模型濾波 3.1 分布式多模型H□濾波 3.1.1 構(gòu)造全局模型 3.1.2 無需全局模型 3.1.3 仿真例子 3.2 分布式多模型一致濾波 3.2.1 構(gòu)造全局模型 3.2.2 無需全局模型 3.2.3 仿真例子 3.3 分布式多模型擴散濾波 3.3.1 算法設(shè)計 3.3.2 性能分析 3.3.3 仿真例子 3.4 小結(jié) 第4章 隨機有限集模型與濾波 4.1 隨機有限集模型 4.2 多模型概率假設(shè)密度濾波 4.2.1 *佳擬合高斯濾波 4.2.2 *佳擬合高斯平滑 4.2.3 仿真例子 4.3 非線性概率假設(shè)密度H□濾波 4.3.1 擴展H□濾波 4.3.2 無跡H□濾波 4.3.3 仿真例子 4.4 多傳感器概率假設(shè)密度濾波 4.4.1 問題描述 4.4.2 高斯混合實現(xiàn)過程 4.4.3 仿真例子 4.5 小結(jié) 第5章 多模型濾波在導(dǎo)航和定位中的應(yīng)用 5.1 在GPS導(dǎo)航中的應(yīng)用 5.1.1 模型描述 5.1.2 算法設(shè)計 5.1.3 仿真結(jié)果 5.2 在車輛定位中的應(yīng)用 5.2.1 模型描述 5.2.2 算法設(shè)計 5.2.3 仿真結(jié)果 5.3 小結(jié) 參考文獻(xiàn)