一、神经网络数据融合机动目标跟踪算法（论文文献综述）
阮力[1]（2021）在《考虑模型误差与短时探测失效的UUV水下机动目标跟踪研究》文中研究说明
杨丹[2]（2021）在《跟踪机动目标的多模型滤波算法研究》文中提出
刘思宇[3]（2020）在《火箭飞行轨道目标跟踪算法研究》文中进行了进一步梳理火箭作为人类探索宇宙的唯一运载体,其安全稳定的飞行直接决定了各种航天器的航空飞行任务能否顺利完成。为了准确跟踪火箭飞行过程中的状态信息,试验场内通过多种测控设备获取火箭弹道信息。高精度完备的弹道信息为飞行任务决策、安全控制、飞行引导等提供了重要保障。随着测控系统的不断发展,多种先进测控设备的使用,衍生了不同形式的火箭弹道测控体制,这对火箭弹道跟踪定位系统提出了日益严峻的要求。本文针对火箭外弹道测量系统,利用多源测量数据定位和弹道平滑滤波等算法建立了火箭弹道参数拟合系统,然后利用无迹卡尔曼滤波算法和Elman神经网络建立了目标跟踪模型,最后基于Matlab GUI平台设计并开发了弹道跟踪定位系统。本文研究内容总结如下:（1）针对多台测量设备交会定位问题,本文采用最小二乘法（Least Square,LS）以及递推最小二乘法（Recursive Least Squares,RLS）实现了多源弹道数据定位,并针对仅包含测角信息的多源测量系统,利用目标到各测站定位视线最小距离加权和获得弹道参数。此外,根据实际的工程要求,提出并实现了单/多台自动切换解算算法,通过实验表明该算法的可行性和有效性。（2）针对弹道解算结果受测量设备随机误差的影响而导致估计结果与实际弹道偏差较大的问题,本文基于参数回归模型,分别建立了基于三次B样条以及滑动多项式的弹道预测模型,实现了对弹道解算结果的平滑滤波。实验数据表明,两种算法均可获得较高精度的弹道估计结果。（3）针对机动性较强的飞行目标跟踪问题,本文提出了基于Elman神经网络的无迹卡尔曼滤波算法（Unscented Kalman Filter Target Tracking Based on Elman Neural Network,ELUKF）,将Elman神经网络学习的滤波误差补偿给无迹卡尔曼滤波的结果。通过实验仿真,本文提出的算法在滤波精度以及稳定性上相比于无迹卡尔曼滤波算法有明显的改善。（4）本文设计并开发了弹道跟踪定位系统,主要包含用户登录、数据读取、弹道解算、弹道平滑、速度/加速度求解以及自动报表生成等功能,减少了外弹道测量数据的处理时间,提高了火箭弹道信息评估的效率。
林俤[4]（2020）在《复杂背景下反无人机的智能光电搜索跟踪技术研究》文中研究表明随着国际反恐和安保形式的变化,必须对来自空中的“低慢小”目标进行有效的防范。城市空中安保面临的空中威胁多为“低慢小”目标,固定翼目标机动飞行的速度可达30～50m/s,飞行角速度较大,且存在机动。在目标机动情况下,高精度拦截系统需要光电搜索跟踪系统的激光测距光轴实时照准目标,以获取目标位置信息,并实时估计目标机动运动参数,这对光电搜索跟踪系统的跟踪精度提出了很高的要求。另一方面,由于城市环境楼宇及建筑物众多,背景复杂,相对于常规净空背景下的无人机目标跟踪,对光电搜索跟踪系统复杂背景下的目标探测及图像跟踪能力也提出了新的要求。智能光电搜索跟踪系统能够实现城市复杂背景下对空中“低慢小”目标的实时搜索、捕获和跟踪,以便为高精度的拦截系统提供目标运动参数。针对复杂背景下“低慢小”目标探测及高精度跟踪的难点,本文分析了目标和复杂背景成像特点,提出了多光谱多元探测光学系统设计方案,将目标信息获取从常规的单一通道扩展为多个通道,使目标和背景可以在不同的波段上进行区分。在多光谱成像探测的基础上重点研究了复杂背景下的目标图像搜索跟踪技术和高精度伺服跟踪技术。在多光谱成像探测的基础上,对于目标机动情况下的高精度伺服跟踪技术,针对多种类型的“低慢小”目标机动能力和典型飞行方式的不同,提出了基于神经网络的IMM卡尔曼滤波前馈补偿跟踪方法。该方法将各种类型目标的机动特性建模后加入IMM卡尔曼滤波机动模型中,并采用神经网络目标识别模型来对搜索到的空中目标进行识别,根据识别到的目标类型自动调整IMM卡尔曼滤波参数,使滤波器对目标的机动特性获得最佳估计。从而为前馈补偿控制算法提供精确的前馈补偿控制量。高精度的伺服控制可保证在目标机动情况下,光学系统光轴仍可以稳定对准目标,使得测距激光可实时连续对目标进行测距。对于城市复杂背景下的目标图像搜索跟踪技术,提出了基于多光谱探测的多模复合TLD目标跟踪算法。在实际系统应用中,TLD算法存在耗时较长,容易产生跟踪漂移等缺点。因此,为了获得实时稳定的跟踪算法,本文提出了改进的复合TLD目标跟踪算法,一方面,图像处理前端首先对获取的图像进行融合处理,融合后的视频帧一路经过抽取（原始50Hz,抽取后为10Hz）,之后送入TLD目标跟踪算法,另一路直接送入KCF目标跟踪算法中,KCF算法实时性高,运算速度快,在运行正常的情况下,TLD算法会对KCF样本进行更新,以弥补KCF算法不能适应目标尺度变化及局部遮挡的情况,最外层采用基于先验信息的神经网络目标识别技术,在内层算法丢失目标后重新捕获目标,复合跟踪算法将三种算法进行优势互补,提高了跟踪稳定性和可靠性。对于城市复杂背景下建筑物对无人机的遮挡情况,通过IMM卡尔曼滤波技术来解决目标进入遮挡区域后对其运动轨迹的预测问题。无人机在进入遮挡区域后,其轨迹预测误差随时间的增长而增加。在短时间内,IMM卡尔曼滤波器的预测精度较高,随着时间的增长,目标出现各种机动的概率增加。提出了抗长时遮挡的IMM卡尔曼滤波-TLD目标跟踪算法,并进行了单机试验验证。对多机联合跟踪情况进行了仿真。本章算法根据目标出现区域的概率来自适应的调整跟踪波门,以使目标脱离遮挡区域后能够以较大概率重新进入跟踪视场。本文对以上关键技术在理论分析的基础上,进行了相关试验验证,证明了其算法的有效性。对于机动目标的跟踪精度验证,在实验室环境采用目标模拟器模拟各种目标机动,采用光电搜索跟踪系统实时跟踪并评估其跟踪精度,采用基于神经网络的IMM卡尔曼滤波前馈补偿控制器较常规控制器精度可提高3倍以上,实际系统在外场验证目标典型机动跟踪精度优于0.5mrad;在外场环境验证了多模复合TLD目标跟踪算法,较常规KCF或TLD算法,包含复杂背景下测试视频集的平均测试精度评估为0.9。单次抗遮挡跟踪试验中,基于IMM卡尔曼滤波将轨迹预测误差从常规预测的53m减小到15m。提高光电搜索跟踪系统的智能化水平、抗遮挡能力和精确跟踪能力是未来城市复杂背景反无人机系统的发展方向。对反无人机相关关键技术进行深入研究无论是军用还是民用反恐都将具有重要意义。
吴旭[5]（2020）在《基于单星目标的鲁棒检测与稳定跟踪方法研究》文中进行了进一步梳理在星跟踪器的光电跟踪系统中,星跟踪器针对单独的恒星目标进行识别、跟踪、位姿解算等实现定位,可以广泛应用于军事与民用的各个领域,在航天、航空、航海等场景都对跟踪精度有着很高的要求,而设备中图像传感器相对控制系统的滞后是影响跟踪精度的主要因素之一。随着计算机技术的不断发展、进步与成熟,在计算机视觉基础上的目标检测技术与目标跟踪技术得到了越来越多的关注与重视,同时,对这些技术的研究与应用也越来越广泛。本文的主要工作是从计算机视觉技术的角度,利用基于深度学习的目标检测与基于相关滤波的目标跟踪技术进行单星星点目标的鲁棒检测与稳定跟踪,结合利用自适应卡尔曼方法的预测滤波,对星跟踪器视场中的恒星单星点进行稳定跟踪。在此研究背景下,本文首先针对视场中的单星目标,通过基于深度学习的目标检测算法,确定星点在视场中的具体位置。为了解决单星目标在视场中像素占比较小并需要精确快速定位的问题,设计了新的卷积神经网络模型结构,通过改进的残差网络,保证在降低运算量、提升检测速度的同时,仍有较好的检测性能,利用多尺度特征的融合,保证了跟踪的鲁棒性。然后在基于相关滤波的目标跟踪基础上,加入了跟踪置信度联合判别机制与目标的重检测。在对目标进行跟踪的过程中,传统的基于相关滤波的跟踪算法会由于目标的各类干扰,如快速运动、形变、离开再进入视场等情况丢失被跟踪目标,这样会导致跟踪的不稳定,使跟踪精确度降低。因此通过跟踪器对目标的最大响应和APCE构建跟踪置信度联合判别机制,使跟踪置信度高的情形继续跟踪,否则联合上文检测器对目标重新定位,继续跟踪。经实验分析,提出的这一方法展现了良好的跟踪稳定性。最后,为了提高跟踪的精度,本文在控制系统的基础上提出了一种用于补偿脱靶量的自适应卡尔曼滤波方法。在实际的跟踪系统中,由于图像采集装置相对控制系统滞后,使的跟踪精确度降低,为了实现稳定精确的跟踪控制,建立运动目标的CSM模型,计算当前状态预测矩阵和预测误差方差矩阵;再根据强跟踪滤波方法,校正预测误差方差矩阵和机动频率,最后,使用校正后的参数更新预测的输出信息。经仿真与实验证明这种方法能显着降低跟踪误差。本文致力于星跟踪器中单星星点目标的鲁棒检测与稳定跟踪的方法研究,围绕基于计算机视觉领域与机动目标跟踪领域现有的技术难题,提出了相应的解决思路与技术方案,丰富了目标检测与跟踪的相关研究内容,将基于视觉的检测与跟踪技术与机动目标的跟踪控制技术进行了融合,并进行了相应的仿真与实验验证,实验证明有一定的理论价值与实践意义。
邓立川[6]（2020）在《基于深度学习的多传感器机动目标跟踪研究》文中研究说明目标跟踪技术在军事和民用领域应用十分广泛,发展跟踪算法具有十分重要的战略意义和经济意义。随着科技和工业的不断发展,被跟踪目标的速度和机动能力不断提高,这使得传统的跟踪算法越来越难以满足现代跟踪任务的要求,对于算法的优化也越来越困难。近年来,深度学习在越来越多的领域中显出处卓越的能力,不断有学者尝试将深度学习的方法引入到目标跟踪任务中,使用深度学习的方法处理目标跟踪任务逐渐成为一个热点问题。鉴于此,本文将重点研究使用深度学习的方法优化传统目标跟踪算法。在保留传统跟踪算法滤波强项的同时,充分利用神经网络对复杂数据的处理能力改善跟踪效果,提高跟踪精度。本文主要研究工作如下:（1）目标跟踪算法和循环神经网络（Recurrent Neural Networks,RNNs）的比较研究。首先对传统的跟踪方法展开研究,重点对影响跟踪算法性能的关键性要素展开研究和分析,并使用仿真实验进行理论分析和验证。然后对适用于序列任务的RNNs展开研究,并分析不同网络模型进行目标跟踪的优势和存在的局限。最后将传统的跟踪算法和RNNs进行比较分析,讨论传统跟踪算法和使用RNNs处理目标跟踪的优势和不足。（2）基于循环神经网络的交互式多模型（Interacting Multiple Model,IMM）机动目标跟踪研究。由于IMM对目标运动模型的概率估计不准确,且对目标机动识别不够敏感,提出使用循环神经网络对其进行优化。考虑到目标跟踪任务的要求以及中间数据的特点,建立了一个基于长短期记忆网络（Long Short-Term Memory,LSTM）的运动轨迹识别（Long Short-Term Memory based Trajectory Recognition,LTR）模型,用以替换IMM原有的运动模型概率计算过程,提出了一种基于LTR的改进IMM算法。最后使用仿真实验证明了该算法的有效性。（3）基于深度神经网络（Deep Neural Network,DNN）的多传感器机动目标跟踪研究。由于传统的轨迹融合算法在跟踪初期融合效果不佳,提出了一种基于深度神经网络的轨迹融合模型,在融合过程中,借助DNN的映射能力,充分利用传感器的坐标位置和目标距离等信息,降低融合的误差。在此基础上,结合之前改进的IMM模型,构建了一种适用于多传感器机动目标跟踪的模型。最后将该模型与传统的优化算法进行仿真实验对比,证明了该模型在一定程度上提高了跟踪精度。
司阳[7]（2019）在《基于信息融合滤波的动态手势跟踪算法研究》文中研究表明手势交互作为一种自然交互方式,是人机交互领域的重要基础性研究。随着新型体感交互设备的普及与最优估计理论的深入,如何基于视觉快速准确的捕获跟踪三维手势运动数据并实时理解动态手语的语义,已成为自然人机交互领域的关键问题。此外,听障人群位居五大残疾之首,手语作为聋哑人与外界交流的最主要方式,开发新型、自然、友好和便携的手势交互系统在聋人教学及交流方面起着至关重要的作用。因此,本文重点研究新型人机交互和动态手语识别中的两项关键技术即动态手势的检测与跟踪。动态手势运动涉及的人体部位为典型的非刚体目标,由于模型难以建立,动态手势运动轨迹的准确估算与跟踪较为困难。在动态手势跟踪过程中,手部存在任意变形,且目标手势并非一成不变的在做某一方向的匀速运动,而是存在各个方向速度未知的随机运动,即动态手势跟踪具有一个显着特点:机动性。此外,动态手势在连续运动过程中,由于目标可能出现的个数不确定及环境背景等因素的干扰,系统存在一定的随机性和不确定性。故动态手势跟踪过程中可能会出现四类问题:任意变形手势跟踪的鲁棒性问题、类肤色干扰问题、目标跟踪错误时的错误恢复问题以及多目标相互遮挡时的遮挡恢复问题。针对动态手势跟踪过程中可能存在的四类问题,本文提出一种基于信息融合滤波的动态手势跟踪算法。首先,采用Kinect2.0获取动态手势运动的RGB彩色视频流和深度视频流,构建动态手势数据库,并分别对其进行信息预处理;其次,提出一种基于区域-卷积神经网络R-CNN结合迁移学习算法的自动手势检测器训练方法,实现对复杂背景下目标手势的自动准确检测;随后,在传统仅含非机动模型的手势状态空间的基础上增添两个机动模型,以此更加准确的描述手势的状态空间,且通过融合动态手势运动过程中的肤色信息和深度阈值信息,提高动态手势跟踪算法的鲁棒性,并在此基础上提出了一种信息融合Kalman滤波跟踪算法;最终,完成动态手势跟踪算法的系统搭建及性能测试。为验证动态手势检测与跟踪算法的实时性和鲁棒性,对动态手势跟踪过程中的四类问题进行仿真。实验对比结果表明,本文算法可以有效解决动态手势跟踪过程中可能出现的四类问题,并且能够取得较高的检测和跟踪精度。
王树亮[8]（2019）在《认知雷达跟踪理论及关键技术研究》文中指出认知雷达相比传统雷达具有明显的优势,它可以根据目标环境的变化动态调整工作模式、信号波形以及数据处理算法,是当前智能雷达研究的重要方向。本文研究主要从认知雷达跟踪理论和关键技术两个方面展开:1.认知雷达跟踪理论方面,（1）研究了人脑中感知-行动循环、记忆、注意、智能等认知功能的工作机制及其对雷达目标跟踪的启发。感知-行动循环是构建认知雷达环境感知、信息反馈、波形发射闭环跟踪回路的基本机制。记忆的更新、激活等功能有助于启发雷达对环境的学习、信息的存储以及对数据库或辅助知识的调用。基于注意的选择性过滤和特征整合机制,雷达可以更加高效地利用有限资源对目标进行快速处理。智能则要求雷达具有较强的学习和自适应能力,并能够及时准确地作出决策或行动。（2）针对认知雷达跟踪中目标状态感知、认知波形发射和认知接收处理三个基本问题,首先,从卡尔曼滤波算法所估计的误差协方差几何结构和物理意义入手,推导出用于描述目标感知不确定性的误差椭球体积数学表达式。然后,基于感知-行动循环思想,提出了基于最小信息熵准则的波形选择目标跟踪方法。最后,对雷达数据处理中存在的目标运动状态不确定、量测起源不确定、量测方程非线性等问题进行了研究,并给出了认知解决方法。2.认知雷达跟踪关键技术方面,具体研究了机动目标跟踪、数据关联、粒子滤波和联合检测跟踪等内容,基于最小信息熵准则的波形选择技术贯穿其中,实现了雷达接收端和发射端的联合认知。（1）机动目标跟踪方面,首先,给出了基于发射波形和天线结构的距离-距离率和方位联合量测误差协方差的克拉美罗下界（Cramer-Rao Lower Bound,CRLB）表达式,基于当前统计（Current Stastic,CS）模型研究了波形和角度联合优化的机动目标跟踪算法。然后,针对传统CS模型的设计缺陷,引入匀速（Constant Velocity,CV）模型在交互式多模型（Interacting Multiple Model,IMM）框架下与其进行交互,受人脑记忆三阶段信息处理机制启发,提出一种嵌入记忆的时变模型转移概率IMM（TIMM）算法,克服了固定模型转移概率容易引起模型间不必要竞争的问题。最后,在TIMM进行波形选择过程中,利用模型预测概率和预测位置加权得到的综合预测误差协方差进行信息反馈,避免了仅利用单个模型反馈信息容易使波形陷入局部最优的问题。（2）数据关联方面,首先,基于视觉选择性注意机制提出一种综合TIMM（Comprehensive TIMM,CTIMM）自适应关联波门设计方法,波门中心和大小通过CS和CV模型预测概率和预测位置加权获得,使关联波门可以根据目标机动自适应调整,较好地兼顾了雷达计算资源消耗和目标跟踪性能。然后,基于视觉注意特征整合机制,提出一种优化的概率数据关联（Optimized Probabilistic Data Association,OPDA）算法。该算法利用目标位置特征和运动特征的整合,对关联波门交叉区域公共量测进行分类,使多目标数据关联问题转化为多个单目标数据关联问题,从而增强了传统概率数据关联（Probabilistic Data Association,PDA）算法的环境适应性。最后,在波形选择时采用修正的Riccati方程来估计各波形的滤波误差协方差,并依据最小信息熵准则自适应地选择下一时刻的波形以提高系统跟踪性能。（3）粒子滤波方面,首先,针对传统粒子滤波常忽略目标跟踪中的不确定性而提前假定粒子样本数为一个固定值,由此可能产生或样本数过少导致精度不高,或样本数过多导致效率下降的问题,结合不确定性误差椭球理论,推导出期望滤波精度条件下粒子样本数的下限表达式,提出一种基于信息熵的自适应粒子滤波（Adaptive Particle Filter,APF）算法。然后,将波形选择与APF算法结合,提出一种APF与波形自适应扩展卡尔曼滤波（Extended Kalman Filter,EKF）并行的认知结构粒子滤波算法,该算法中APF为EKF提供每时刻滤波初始值以避免其滤波发散,EKF通过波形选择为APF提供最佳匹配最测,从而使APF能够始终以最小粒子样本数获得最佳跟踪性能。（4）联合检测跟踪方面,首先,对时延-多普勒分辨单元理论进行了深入分析,给出了高斯包络线性调频（Linear Frequency Modulation,LFM）脉冲平均检测概率和量测误差协方差的近似表达式,提出了基于最小信息熵准则的检测门限和波形联合自适应跟踪算法。然后,针对以距离-距离率和方位为量测的非线性运动目标,设计出一种具有―棱柱‖结构的时延-多普勒和方位联合分辨单元,并提出一种APF/EKF并行结构的检测门限和波形自适应跟踪算法,较好地兼顾了跟踪效率和跟踪质量。
朱先秋[9]（2019）在《基于神经网络的多传感器融合方法研究》文中指出目标跟踪是指对来自传感器的量测信息进行处理,以便保持对目标运动状态的估计。要想在越发复杂的探测环境下得到很好的目标跟踪效果,则需要多样化的探测手段。单一传感器在观测目标时,其自身的局限性会对观测结果产生极大的影响,而多传感器系统与单传感器跟踪系统相比具有显着的优点。多传感器融合系统包含多个同质甚至异质的传感器,为了获得更好的跟踪精度,需要合理调度分布各传感器,并从冗余的量测信息中计算出对目标运动状态的精确描述。量测信息的不确定性和目标运动的复杂性使得多传感器融合系统具有高复杂性和高集成性的特点。如何设计多传感器融合算法提高多传感器融合系统在复杂环境下的跟踪能力,是本文关注的主要问题。本文首先针对传统融合滤波方法对机动目标融合跟踪性能差的情况,提出了基于无迹卡尔曼滤波器（UKF）和Elman神经网络的多传感器融合算法。通过引入Elman神经网络,对融合结果进行补偿,从而显着提高融合跟踪的精度。此外,使用分层形式的序贯协方差交叉融合算法,将求解一个高维的非线性优化问题转化为求解若干个一维非线性函数最优化问题。随后针对在现实场景下,多传感器融合系统中的融合中心接收到的多为来自各个传感器的异步量测数据的问题,提出了更加通用的基于交互式多模型（IMM）和径向基函数（RBF）神经网络的多传感器异步融合算法。使用交互多模型作为运动目标的预测模型,将融合中心每个融合周期内获得的异步量测信息按照时间顺序排列,以此进行序贯滤波,并将相关结果送入RBF神经网络中进行在线学习,获得更加精确的融合滤波结果。最后为了便于融合算法的研究并验证本文提出的融合算法的有效性,设计了多雷达融合跟踪系统仿真平台。用户可以根据需要对各个雷达的观测精度进行配置,选择融合跟踪算法,融合结果和误差信息将以直观的形式通过界面显示出来。
孙健,邓方,陈杰[10]（2018）在《陆用运动体控制系统发展现状与趋势》文中进行了进一步梳理在高技术战争的背景下,陆用运动体控制系统呈现出数字化、智能化、网络化、无人化的发展趋势.面向未来作战需求,陆用运动体控制系统必须更加高效、可靠、自主与智能.本文针对陆用运动体控制系统的环境与态势感知,火力指挥与控制,多平台协同以及维修保障与健康管理对当前主要研究成果和最新进展做了简要综述.在总结国内外的现有研究成果的基础上,指出了目前存在的挑战与未来的研究方向.
二、神经网络数据融合机动目标跟踪算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、神经网络数据融合机动目标跟踪算法（论文提纲范文）
（3）火箭飞行轨道目标跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容与结构 |
| 2 火箭航迹定位与测速基本理论 |
| 2.1 主要坐标系及其转换 |
| 2.1.1 空间参考系的相关概念 |
| 2.1.2 大地坐标系及天文坐标系 |
| 2.1.3 常用坐标系 |
| 2.1.4 坐标系之间的转换 |
| 2.2 基本的弹道参数解算方法 |
| 2.2.1 单台测量设备定位方法 |
| 2.2.2 两台光学经纬仪交会定位 |
| 2.2.3 多RR系统定位 |
| 2.3 常用的速度与加速度中心平滑公式 |
| 2.4 本章小结 |
| 3 多源弹道数据定位算法 |
| 3.1 基于最小二乘的交会解算 |
| 3.1.1 问题描述 |
| 3.1.2 最小二乘估计 |
| 3.1.3 仿真实验与分析 |
| 3.2 基于递推最小二乘的交会解算 |
| 3.2.1 问题描述 |
| 3.2.2 递推最小二乘估计 |
| 3.2.3 仿真实验与分析 |
| 3.3 基于最小距离加权的弹道解算算法 |
| 3.3.1 问题描述 |
| 3.3.2 算法基本思路 |
| 3.3.3 仿真实验与分析 |
| 3.4 单/多台自动切换弹道解算算法 |
| 3.4.1 引言 |
| 3.4.2 算法基本流程 |
| 3.4.3 工程应用与仿真 |
| 3.5 本章小结 |
| 4 火箭外测数据弹道平滑滤波算法研究 |
| 4.1 引言 |
| 4.2 基于三次B样条的弹道平滑算法 |
| 4.2.1 算法推导 |
| 4.2.2 算法仿真与分析 |
| 4.3 基于滑动多项式的弹道平滑算法 |
| 4.3.1 算法推导 |
| 4.3.2 算法仿真与分析 |
| 4.4 本章小结 |
| 5 基于神经网络修正的目标跟踪算法研究 |
| 5.1 引言 |
| 5.2 非线性目标跟踪算法 |
| 5.2.1 扩展卡尔曼滤波跟踪 |
| 5.2.2 无迹卡尔曼滤波跟踪 |
| 5.3 基于Elman神经网络的无迹卡尔曼滤波算法 |
| 5.3.1 Elman神经网络 |
| 5.3.2 算法基本原理 |
| 5.3.3 基于Elman神经网络的无迹卡尔曼滤波器设计 |
| 5.3.4 算法仿真与分析 |
| 5.4 本章小结 |
| 6 弹道跟踪定位系统用户平台搭建 |
| 6.1 开发环境与平台 |
| 6.2 软件框架设计 |
| 6.3 软件实现 |
| 6.4 软件使用实例 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究方向展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（4）复杂背景下反无人机的智能光电搜索跟踪技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 反无人机系统国内外研究现状 |
| 1.2.2 目标探测跟踪领域国内外研究现状 |
| 1.3 当前光电跟踪装备及目标搜索跟踪技术中存在的问题 |
| 1.4 研究难点 |
| 1.5 论文主要研究内容 |
| 第二章 目标成像特点及基本跟踪设计理论 |
| 2.1 引言 |
| 2.2 “低慢小”目标在复杂背景下的成像特点 |
| 2.2.1 光谱特征 |
| 2.2.2 颜色特征 |
| 2.2.3 偏振特性 |
| 2.2.4 三维特征 |
| 2.2.5 运动特征 |
| 2.3 基于多光谱探测的光学载荷设计 |
| 2.4 光电跟踪基本伺服跟踪理论 |
| 2.4.1 基本控制原理 |
| 2.4.2 复合前馈控制 |
| 2.4.3 目标跟踪及轨迹预测 |
| 2.4.4 动载体情况下的陀螺稳像控制 |
| 2.5 基于复杂背景的基本图像跟踪理论 |
| 2.6 本章小结 |
| 第三章 改进的多模TLD目标跟踪算法 |
| 3.1 引言 |
| 3.2 TLD算法的主要模块 |
| 3.2.1 跟踪器 |
| 3.2.2 检测器 |
| 3.2.3 整合器 |
| 3.2.4 P-N学习模块 |
| 3.3 KCF算法简介 |
| 3.3.1 构造样本 |
| 3.3.2 训练分类器 |
| 3.3.3 目标检测 |
| 3.3.4 分类器的更新 |
| 3.4 多模复合TLD目标跟踪算法 |
| 3.4.1 TLD算法中改进的多特征融合目标跟踪器 |
| 3.4.2 改进的多模复合TLD算法 |
| 3.4.3 仿真 |
| 3.5 本章小结 |
| 第四章 基于神经网络的IMM卡尔曼滤波前馈补偿伺服控制算法 |
| 4.1 引言 |
| 4.2 伺服系统构成及工作原理 |
| 4.3 基于神经网络的IMM卡尔曼滤波复合控制器 |
| 4.4 用于估计模型最优参数的神经网络参数训练器 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 第五章 抗长时遮挡的联合IMM卡尔曼滤波-TLD目标跟踪算法 |
| 5.1 引言 |
| 5.2 基本原理 |
| 5.3 目标遮挡时对可能出现区域的概率估计 |
| 5.4 仿真分析 |
| 5.5 多机联合IMM卡尔曼滤波-TLD目标跟踪 |
| 5.6 基于抗长时遮挡IMM卡尔曼滤波器轨迹预估的延伸功能 |
| 5.7 本章小结 |
| 第六章 硬件设计与实现 |
| 6.1 引言 |
| 6.2 智能光电搜索跟踪系统构成和工作原理 |
| 6.3 光学系统设计 |
| 6.4 搜索跟踪系统的伺服控制模块设计 |
| 6.4.1 伺服控制系统设计要点 |
| 6.4.2 伺服控制系统总体构架 |
| 6.4.3 伺服控制电控设计 |
| 6.5 时序控制模块设计 |
| 6.6 GPU图像处理平台设计 |
| 6.7 关键技术 |
| 6.8 本章小结 |
| 第七章 智能光电搜索跟踪系统试验分析 |
| 7.1 引言 |
| 7.2 IMM卡尔曼滤波前馈补偿控制跟踪精度试验 |
| 7.3 多模复合TLD目标跟踪试验 |
| 7.4 抗长时遮挡IMM卡尔曼滤波-TLD目标跟踪试验 |
| 7.5 本章小结 |
| 第八章 工作总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）基于单星目标的鲁棒检测与稳定跟踪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外现状及趋势 |
| 1.3 本文研究框架及内容 |
| 1.4 本章小结 |
| 2 基于深度学习的单星目标检测技术研究 |
| 2.1 基于深度学习的目标检测 |
| 2.1.1 卷积神经网络的基本组成 |
| 2.1.2 卷积神经网络的工作流程 |
| 2.2 基于YOLO算法的目标检测 |
| 2.3 基于YOLO算法改进的目标检测 |
| 2.4 网络结构设计 |
| 2.5 本章小结 |
| 3 基于相关滤波的目标跟踪技术 |
| 3.1 基于相关滤波的目标跟踪技术原理 |
| 3.1.1 相关滤波介绍 |
| 3.1.2 核相关滤波位置预测 |
| 3.1.3 尺度估计方法介绍 |
| 3.2 高置信度跟踪方法的研究 |
| 3.3 相关实验 |
| 3.3.1 实验数据集介绍 |
| 3.3.2 算法性能测试 |
| 3.3.3 算法精确度实验 |
| 3.4 本章小结 |
| 4 基于自适应卡尔曼滤波的跟踪控制技术 |
| 4.1 跟踪控制系统 |
| 4.2 自适应卡尔曼滤波算法 |
| 4.2.1 运动模型分析 |
| 4.2.2 自适应调整机制 |
| 4.2.3 自适应卡尔曼滤波算法 |
| 4.3 仿真与实验 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（6）基于深度学习的多传感器机动目标跟踪研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景、目的和意义 |
| 1.3 相关领域国内外研究现状 |
| 1.3.1 传统目标跟踪研究现状 |
| 1.3.2 基于深度学习的目标跟踪研究现状 |
| 1.4 本文的主要研究内容与组织结构 |
| 第2章 目标跟踪算法和RNNs的比较研究 |
| 2.1 机动目标跟踪研究 |
| 2.1.1 机动目标跟踪基本原理 |
| 2.1.2 非线性滤波算法 |
| 2.1.3 机动目标跟踪运动模型 |
| 2.1.4 仿真与结果分析 |
| 2.2 循环神经网络研究 |
| 2.2.1 循环神经网络基本原理 |
| 2.2.2 改进的循环神经网络 |
| 2.2.3 使用RNNs进行目标跟踪的优缺点分析 |
| 2.3 本章小结 |
| 第3章 基于循环神经网络的IMM机动目标跟踪研究 |
| 3.1 交互式多模型算法 |
| 3.1.1 交互式多模型目标跟踪原理 |
| 3.1.2 AMP-IMM算法 |
| 3.1.3 仿真与结果分析 |
| 3.2 基于循环神经网络的运动模型识别 |
| 3.2.1 LSTM网络的基本原理 |
| 3.2.2 轨迹数据集 |
| 3.2.3 基于LTR的运动模型识别 |
| 3.3 基于LTR的交互式多模型滤波算法 |
| 3.3.1 基于LTR的交互式多模型原理 |
| 3.3.2 LTR-IMM算法仿真与结果分析 |
| 3.4 本章小结 |
| 第4章 基于DNN的多传感器机动目标跟踪研究 |
| 4.1 多传感器目标跟踪技术 |
| 4.1.1 多传感器目标跟踪原理 |
| 4.1.2 多传感器目标跟踪轨迹融合 |
| 4.2 基于DNN的多传感器轨迹融合 |
| 4.2.1 DNN基本原理 |
| 4.2.2 DNN多传感器轨迹融合 |
| 4.2.3 仿真和结果分析 |
| 4.3 基于DNN的多传感器DLTR-IMM机动目标跟踪 |
| 4.3.1 DLTR-IMM跟踪原理 |
| 4.3.2 仿真与结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录研究生期间的研究成果 |
（7）基于信息融合滤波的动态手势跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内手势跟踪技术的现状与发展 |
| 1.2.2 国外手势跟踪技术的现状与发展 |
| 1.3 论文研究的重点及难点 |
| 1.4 本文主要内容与章节安排 |
| 1.4.1 本文主要内容 |
| 1.4.2 本文章节安排 |
| 2 动态手势数据库的构建与信息预处理 |
| 2.1 引言 |
| 2.2 动态手势数据库的构建 |
| 2.3 信息预处理 |
| 2.3.1 RGB彩色视频流的信息预处理 |
| 2.3.2 深度视频流的信息预处理 |
| 2.4 本章小结 |
| 3 复杂背景下目标手势的自动检测 |
| 3.1 引言 |
| 3.2 本章算法框架 |
| 3.3 基于R-CNN和迁移学习算法的自动手势检测器 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 4 信息融合Kalman滤波跟踪算法 |
| 4.1 引言 |
| 4.2 本章算法框架 |
| 4.3 改进型Camshift跟踪算法研究 |
| 4.3.1 改进型Camshift跟踪算法 |
| 4.3.2 仿真及结果分析 |
| 4.4 交互式多模型Kalman滤波跟踪算法研究 |
| 4.4.1 基本模型 |
| 4.4.2 交互式多模型Kalman滤波跟踪算法 |
| 4.4.3 改进型交互式多模型Kalman滤波的融合跟踪算法 |
| 4.4.4 仿真及结果分析 |
| 4.5 多传感器数据融合Kalman滤波跟踪算法研究 |
| 4.5.1 多传感器数据融合Kalman滤波器 |
| 4.5.2 多传感器数据融合Kalman预报器 |
| 4.5.3 仿真及结果分析 |
| 4.6 本章小结 |
| 5 动态手势跟踪算法的系统搭建及性能测试 |
| 5.1 引言 |
| 5.2 动态手势跟踪算法的系统搭建 |
| 5.3 动态手势跟踪算法的性能测试 |
| 5.3.1 任意变形手势跟踪的鲁棒性问题 |
| 5.3.2 类肤色干扰问题 |
| 5.3.3 目标跟踪错误时的错误恢复问题 |
| 5.3.4 多目标相互遮挡时的遮挡恢复问题 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（8）认知雷达跟踪理论及关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 认知雷达跟踪理论及关键技术研究进展 |
| 1.2.1 自适应波形选择跟踪 |
| 1.2.2 机动目标跟踪 |
| 1.2.3 数据关联跟踪 |
| 1.2.4 粒子滤波跟踪 |
| 1.3 本文主要工作及内容安排 |
| 第二章 人脑工作机制启发的认知雷达跟踪理论 |
| 2.1 引言 |
| 2.2 人脑认知机制对雷达目标跟踪的启发 |
| 2.2.1 感知-行动循环 |
| 2.2.2 记忆 |
| 2.2.3 注意 |
| 2.2.4 智能 |
| 2.3 认知雷达跟踪的基本问题及研究方法 |
| 2.3.1 目标状态感知 |
| 2.3.2 认知波形发射 |
| 2.3.3 认知接收处理 |
| 2.4 本章小结 |
| 第三章 自适应模型机动目标跟踪 |
| 3.1 引言 |
| 3.2 基于当前统计(CS)模型的机动目标跟踪 |
| 3.2.1 基于KF的CS模型自适应滤波 |
| 3.2.2 距离-距离率和方位的联合误差协方差 |
| 3.2.3 基于EKF的CS模型波形选择算法 |
| 3.2.4 仿真验证 |
| 3.3 嵌入记忆的认知结构IMM机动目标跟踪 |
| 3.3.1 CS模型和CV模型交互的IMM算法 |
| 3.3.2 时变转移概率IMM(TIMM)算法 |
| 3.3.3 基于波形选择的TIMM机动目标跟踪算法 |
| 3.3.4 仿真验证 |
| 3.4 本章小结 |
| 第四章 自适应机动目标数据关联跟踪 |
| 4.1 引言 |
| 4.2 基于视觉选择性注意机制的自适应关联波门 |
| 4.2.1 椭球关联波门PDA算法 |
| 4.2.2 综合TIMMPDA(CTIMMPDA)算法 |
| 4.2.3 仿真验证 |
| 4.3 基于视觉注意特征整合机制的优化PDA |
| 4.3.1 优化PDA(OPDA)算法 |
| 4.3.2 嵌入记忆的自适应关联波门OPDA算法 |
| 4.3.3 仿真验证 |
| 4.4 基于波形选择的CTIMMOPDA算法 |
| 4.4.1 信息熵的近似表达式 |
| 4.4.2 最小信息熵准则波形选择数据关联算法 |
| 4.4.3 仿真验证 |
| 4.5 本章小结 |
| 第五章 认知结构自适应粒子滤波机动目标跟踪 |
| 5.1 引言 |
| 5.2 粒子滤波算法 |
| 5.2.1 序贯重要性采样(SIS)算法 |
| 5.2.2 序贯重要性重采样(SIR)算法 |
| 5.3 信息熵与粒子样本数 |
| 5.3.1 粒子数下界表达式 |
| 5.3.2 基于信息熵的自适应粒子数粒子滤波(APF)算法 |
| 5.3.3 仿真验证 |
| 5.4 基于波形选择粒子滤波的机动目标跟踪算法 |
| 5.4.1 基于APF的机动目标数据关联算法 |
| 5.4.2 波形自适应APF(WS-APF)算法的复杂性 |
| 5.4.3 认知结构APF算法 |
| 5.4.4 仿真验证 |
| 5.5 本章小结 |
| 第六章 检测门限和波形联合自适应机动目标跟踪 |
| 6.1 引言 |
| 6.2 距离-距离率为量测的线性目标跟踪 |
| 6.2.1 时延-多普勒分辨单元 |
| 6.2.2 量测误差协方差的近似表达式 |
| 6.2.3 基于最小信息熵准则的检测门限和波形联合自适应算法 |
| 6.2.4 仿真验证 |
| 6.3 距离-距离率和方位为量测的非线性目标跟踪 |
| 6.3.1 棱柱结构时延-多普勒和方位联合分辨单元 |
| 6.3.2 联合量测误差协方差的近似表达式 |
| 6.3.3 基于认知结构APF的检测门限和波形联合自适应算法 |
| 6.3.4 仿真验证 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）基于神经网络的多传感器融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 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 |
| 4.4.1 径向基函数 |
| 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 |
（10）陆用运动体控制系统发展现状与趋势（论文提纲范文）
| 1 环境与态势感知 |
| 1.1 目标探测与识别 |
| 1.2 机动目标建模与跟踪 |
| 1.3 多传感器多目标关联 |
| 1.4 问题与展望 |
| 2 火力控制与指挥控制 |
| 2.1 火力控制 |
| 2.1.1 火力控制理论 |
| 1) 命中分析 |
| 2) 误差分析 |
| 2.1.2 火力控制技术 |
| 1) 火控计算机技术 |
| 2) 网络化火控技术 |
| 2.1.3 火力控制系统 |
| 2.2 指挥控制 |
| 2.2.1 多传感器数据融合 |
| 2.2.2 网络化指挥控制 |
| 2.2.3 智能辅助决策 |
| 2.3 问题与展望 |
| 3 多平台协同 |
| 3.1 作战资源部署 |
| 3.2 作战资源分配 |
| 3.3 多平台协同控制 |
| 3.3.1 连通性保持条件下的协同控制 |
| 3.3.2 障碍物规避条件下的连通性保持 |
| 3.3.3 基于事件驱动机制的协同控制 |
| 3.4 问题和展望 |
| 4 故障诊断与健康管理 |
| 4.1 故障诊断和预测 |
| 4.2 健康评估和决策支持 |
| 4.3 问题与展望 |
| 5 结束语 |
四、神经网络数据融合机动目标跟踪算法（论文参考文献）
- [1]考虑模型误差与短时探测失效的UUV水下机动目标跟踪研究[D]. 阮力. 哈尔滨工程大学, 2021
- [2]跟踪机动目标的多模型滤波算法研究[D]. 杨丹. 燕山大学, 2021
- [3]火箭飞行轨道目标跟踪算法研究[D]. 刘思宇. 西安理工大学, 2020(01)
- [4]复杂背景下反无人机的智能光电搜索跟踪技术研究[D]. 林俤. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [5]基于单星目标的鲁棒检测与稳定跟踪方法研究[D]. 吴旭. 兰州交通大学, 2020(01)
- [6]基于深度学习的多传感器机动目标跟踪研究[D]. 邓立川. 武汉理工大学, 2020(08)
- [7]基于信息融合滤波的动态手势跟踪算法研究[D]. 司阳. 西安工业大学, 2019(03)
- [8]认知雷达跟踪理论及关键技术研究[D]. 王树亮. 国防科技大学, 2019(01)
- [9]基于神经网络的多传感器融合方法研究[D]. 朱先秋. 南京理工大学, 2019(06)
- [10]陆用运动体控制系统发展现状与趋势[J]. 孙健,邓方,陈杰. 自动化学报, 2018(11)