目標(biāo)定位跟蹤原理及應(yīng)用 MATLAB仿真

第1章MATLAB仿真基礎(chǔ)
1.1MATLAB簡(jiǎn)介
1.1.1MATLAB發(fā)展歷史
1.1.2MATLAB 7.1系統(tǒng)
1.1.3M-File編輯器的使用
1.2數(shù)據(jù)類(lèi)型和數(shù)組
1.2.1數(shù)據(jù)類(lèi)型概述
1.2.2數(shù)組的創(chuàng)建
1.2.3數(shù)組的屬性
1.2.4數(shù)組的操作
1.2.5結(jié)構(gòu)體和元胞數(shù)組
1.3程序設(shè)計(jì)
1.3.1條件語(yǔ)句
1.3.2循環(huán)語(yǔ)句
1.3.3函數(shù)
1.3.4畫(huà)圖
1.4小結(jié)
第2章目標(biāo)定位跟蹤系統(tǒng)概述
2.1觀測(cè)系統(tǒng)
2.1.1基本概念
2.1.2坐標(biāo)系
2.1.3典型的觀測(cè)站
2.2定位
2.2.1模糊定位
2.2.2精確定位
2.2.3典型的定位系統(tǒng)
2.3目標(biāo)跟蹤
2.3.1多觀測(cè)站系統(tǒng)架構(gòu)
2.3.2跟蹤過(guò)程描述
2.3.3跟蹤軌跡
2.4跟蹤的數(shù)學(xué)模型
2.4.1勻速直線(xiàn)運(yùn)動(dòng)
2.4.2勻加速運(yùn)動(dòng)
2.5小結(jié)
第3章目標(biāo)定位算法
3.1非測(cè)距的定位算法
3.1.1質(zhì)心定位算法
3.1.2加權(quán)質(zhì)心定位算法
3.1.3網(wǎng)格定位算法
3.2基于測(cè)距的定位算法
3.2.1最小二乘原理
3.2.2最小二乘定位算法
3.2.3基于RSSI測(cè)距的定位算法
3.2.4基于TOA/TDOA的目標(biāo)定位算法
3.3基于角度測(cè)量的定位算法
3.3.1雙站角度定位
3.3.2三角測(cè)量法定位
3.4移動(dòng)目標(biāo)定位算法
3.4.1移動(dòng)目標(biāo)計(jì)算機(jī)仿真建模
3.4.2基于距離觀測(cè)的運(yùn)動(dòng)目標(biāo)定位
3.4.3純方位角的運(yùn)動(dòng)目標(biāo)定位
3.5小結(jié)
第4章線(xiàn)性Kalman濾波
4.1Kalman濾波原理
4.1.1射影定理
4.1.2Kalman濾波器
4.1.3Kalman濾波的參數(shù)處理
4.2Kalman濾波用于一維觀測(cè)信號(hào)去噪
4.2.1信號(hào)測(cè)量濾波原理
4.2.2一維Kalman濾波的應(yīng)用仿真
4.3Kalman濾波在自由落體運(yùn)動(dòng)目標(biāo)跟蹤中的應(yīng)用
4.3.1狀態(tài)方程的建立
4.3.2自由落體跟蹤仿真
4.4Kalman濾波在船舶GPS導(dǎo)航定位系統(tǒng)中的應(yīng)用
4.4.1GPS導(dǎo)航系統(tǒng)原理介紹
4.4.2導(dǎo)航定位系統(tǒng)仿真
4.5Kalman濾波在視頻圖像目標(biāo)跟蹤中的應(yīng)用
4.5.1視頻捕獲和錄制
4.5.2視頻導(dǎo)入和顯示
4.5.3對(duì)視頻幀的操作
4.5.4Kalman濾波對(duì)自由下落的皮球跟蹤應(yīng)用
4.6小結(jié)
第5章非線(xiàn)性Kalman濾波
5.1擴(kuò)展Kalman濾波
5.1.1EKF的基本思想
5.1.2非線(xiàn)性系統(tǒng)的線(xiàn)性化
5.1.3EKF的濾波原理
5.2EKF的應(yīng)用及仿真
5.2.1EKF應(yīng)用于一維非線(xiàn)性系統(tǒng)
5.2.2基于距離觀測(cè)的目標(biāo)跟蹤EKF狀態(tài)估計(jì)
5.2.3純方位角目標(biāo)跟蹤EKF狀態(tài)估計(jì)
5.2.4EKF在純方位尋的導(dǎo)彈制導(dǎo)中的應(yīng)用
5.3無(wú)跡Kalman濾波
5.3.1UKF的基本思想
5.3.2無(wú)跡變換
5.3.3UKF的濾波過(guò)程
5.4UKF的應(yīng)用及仿真
5.4.1UKF在單站觀測(cè)站目標(biāo)跟蹤中的應(yīng)用
5.4.2UKF在六維勻加速直線(xiàn)運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)中的應(yīng)用
5.5小結(jié)
第6章粒子濾波
6.1粒子濾波簡(jiǎn)介
6.1.1粒子濾波的發(fā)展歷史
6.1.2粒子濾波的特點(diǎn)
6.1.3粒子濾波的應(yīng)用領(lǐng)域
6.2蒙特卡洛原理
6.2.1蒙特卡洛的基本思想
6.2.2蒙特卡洛的理論基礎(chǔ)
6.2.3蒙特卡洛的應(yīng)用實(shí)例
6.3粒子濾波原理
6.3.1蒙特卡洛采樣原理
6.3.2貝葉斯重要性采樣
6.3.3序列重要性采樣濾波器
6.3.4Bootstrap/SIR濾波器
6.3.5權(quán)值計(jì)算方法
6.4粒子濾波經(jīng)典采樣算法
6.4.1隨機(jī)重采樣
6.4.2多項(xiàng)式重采樣
6.4.3系統(tǒng)重采樣
6.4.4殘差重采樣
6.5粒子濾波的應(yīng)用
6.5.1粒子濾波應(yīng)用于一維非線(xiàn)性系統(tǒng)
6.5.2粒子濾波應(yīng)用于高斯模型目標(biāo)跟蹤系統(tǒng)
6.5.3粒子濾波應(yīng)用于非高斯模型目標(biāo)跟蹤系統(tǒng)
6.6小結(jié)
第7章多目標(biāo)跟蹤算法
7.1多目標(biāo)跟蹤系統(tǒng)建模
7.1.1單站多目標(biāo)跟蹤系統(tǒng)建模
7.1.2單站多目標(biāo)跟蹤系統(tǒng)仿真
7.1.3多站多目標(biāo)跟蹤系統(tǒng)建模
7.1.4多站多目標(biāo)跟蹤系統(tǒng)仿真
7.2多目標(biāo)跟蹤分類(lèi)算法
7.2.1多目標(biāo)數(shù)據(jù)融合概述
7.2.2近鄰法分類(lèi)算法及程序
7.2.3近鄰法用于目標(biāo)跟蹤中的航跡關(guān)聯(lián)及算法程序
7.2.4k-近鄰法分類(lèi)算法
7.3多目標(biāo)跟蹤算法
7.3.1基于Kalman濾波的多目標(biāo)跟蹤算法
7.3.2基于粒子濾波的多目標(biāo)狀態(tài)估計(jì)
7.4小結(jié)
第8章Simulink仿真
8.1Simulink概述
8.1.1Simulink啟動(dòng)
8.1.2Simulink仿真設(shè)置
8.1.3Simulink模塊庫(kù)簡(jiǎn)介
8.2S函數(shù)
8.2.1S函數(shù)原理
8.2.2S函數(shù)的控制流程
8.3目標(biāo)跟蹤的Simulink仿真
8.3.1狀態(tài)方程和觀測(cè)方程的Simulink建模
8.3.2基于S函數(shù)的Kalman濾波器設(shè)計(jì)及其在跟蹤中的應(yīng)用
8.3.3基于S函數(shù)的粒子濾波器設(shè)計(jì)及其在跟蹤中的應(yīng)用
8.4小結(jié)