一、非高斯条件下基于粒子滤波的目标跟踪（论文文献综述）
江涛,范斌,秦武韬[1]（2022）在《基于遗传重采样粒子滤波的弹道跟踪方法》文中研究表明在雷达对目标的跟踪过程中,受不同位置回波干扰的影响,测量噪声常表现出以闪烁噪声为代表的非高斯特性,严重破坏了卡尔曼滤波算法的高斯假设,使得卡尔曼滤波器的估计精度大幅下降。同时,不依赖高斯假设的粒子滤波又存在着粒子退化等问题,无法获得良好的跟踪效果。针对这一情况,文中借鉴生物遗传思想,给出了基于遗传重采样的粒子滤波算法,在重采样过程中分别利用粒子的选择、交叉和变异模拟自然界基因的选择、组合和变异,保证了粒子群的全面性和代表性,避免了迭代过程中的粒子退化,解决了测量噪声非高斯条件下的滤波问题。此外,文中将这一方法应用至自由段跟踪中并进行了数学仿真。仿真结果表明:在非高斯噪声条件下,文中所提滤波算法具有较扩展卡尔曼滤波和Huber滤波更好的适应性和更优的估计精度。
罗伟丽,周芸,张博龙[2]（2021）在《非线性非高斯条件下基于粒子滤波的目标跟踪》文中提出针对传统卡尔曼滤波算法难以解决非线性非高斯系统目标跟踪的问题,采用重要性重采样方法对粒子滤波算法进行改进,给出了从高维概率密度函数中抽取粒子的详细方案,建立了一维强非线性UNGM模型以及非高斯机动目标模型,使用改进的滤波算法在非线性以及非高斯模型下进行了仿真研究,并与4种非线性滤波算法的性能进行了比较分析。实验结果表明,改进的粒子滤波算法在估计度和滤波稳定性方面具有明显优势,并且可以很好地处理非高斯条件下机动目标的跟踪问题。
陈菘[3]（2021）在《改进的粒子滤波算法及其应用研究》文中指出现实生活中,人们通过卫星导航系统可以实现对目标的精确定位。在卫星信号丢失或无法有效作用的区域,雷达、红外系统可以用来辅助进行目标的跟踪。目标跟踪在军用的潜艇、导弹和民用的汽车驾驶领域都发挥着重要作用。生活中的应用场景是非线性的,同时叠加着各种噪声。估计问题就是从含有噪声的观测信号中恢复出目标真实的状态,因此估计问题有着深刻的现实应用背景与重要的研究意义。基于蒙特卡罗思想的粒子滤波在非线性估计中得到了广泛应用,因此粒子滤波算法成为了非线性估计领域的研究热点。引入重采样的思想解决了粒子滤波算法的退化问题,提高了估计的精度。但重采样用大权值粒子替代小权值粒子的机制造成了粒子种类的匮乏,影响了估计的准确性。重采样操作造成了粒子多样性的缺失,如何提高粒子的多样性是一个重要的研究问题。本文首先讨论了多项式重采样（随机重采样）、系统重采样、分层重采样、残差重采样的具体思路与实践方法。利用Matlab仿真软件对不同重采样算法的性能进行验证,讨论重采样算法在粒子滤波算法中的作用,并将其应用到后续的改进算法中。重采样涉及到对粒子的取舍,因此必然造成粒子多样性缺失的问题。在深入研究了群智能优化算法后,选用萤火虫算法并加以改进应用到粒子滤波过程中,提出了基于最优邻居引导萤火虫移动的粒子滤波算法。在萤火虫个体相对亮度的计算中引入最新时刻的观测值。随着萤火虫个体不断向最优值靠近,个体间距离不断减小,吸引度增加。个体在最优值附近震荡的机率增加,引入递减函数更新吸引度的大小。萤火虫算法中个体间要两两比较亮度增加了算法的复杂度,论文利用最优邻居引导萤火虫个体移动并控制搜寻的范围。最后通过距离模型、角度模型、距离和角度模型三个实验对比了不同噪声条件下改进算法与粒子滤波算法的性能,仿真结果表明改进算法跟踪效果优于粒子滤波算法,并分析原因。
彭希[4]（2021）在《非线性系统滤波粒子退化解决策略与方法研究》文中认为在非线性系统滤波问题中,粒子滤波算法因不受系统高斯假设的约束且易于实现,受到了广泛关注。然而,粒子滤波算法中存在的粒子退化和样本贫化难题,严重影响滤波性能。因此,对粒子滤波算法进行优化改进具有重要的理论与实际意义。本文针对粒子滤波算法中粒子退化问题展开研究,主要包括以下几方面内容:1.针对如何从重要性密度函数的优化设计出发解决粒子退化的问题,研究了熵准则结合扩展卡尔曼滤波的重要性密度函数设计方法,进而提出了最大熵扩展粒子滤波算法。由于量测信息在包含野值或受非高斯重尾噪声干扰的条件下,利用其指导粒子滤波的重要性采样会导致粒子退化速度加快。因此,本文将解决野值问题的熵准则引入扩展卡尔曼滤波中,推导了包含信号高阶矩信息的重要性密度函数,利用其指导重要性采样以驱使粒子向当前状态的条件后验分布高概率的区域聚集。仿真实验表明,所提算法在一定程度上减缓了粒子退化速度,解决了量测信息受野值和非高斯重尾噪声干扰下的滤波问题,实现了状态估计精度在非高斯环境下的提高。2.针对如何从优化粒子分布出发解决粒子退化的问题,研究了粒子变异和基于极小化极大风险思想的粒子筛选策略,由此提出了基于极小化极大风险的变异粒子滤波算法。当先验分布作为重要性密度函数时,由于在似然函数位于先验分布尾部或观测精度较高的条件下,先验与似然重叠区域的粒子减少,会导致粒子退化速度加快。因此,本文通过对先验粒子集中低权粒子实施变异加筛选的组合策略,以获得更多位于先验与似然重叠区域的高权粒子,进而抑制粒子退化。首先对先验粒子集中未经变异的低权值粒子进行检测,对其实施粒子变异策略,获得变异后粒子;然后设置权重阈值,对变异后粒子实施基于极小化极大风险思想的筛选策略;重复实施组合策略直到所有粒子符合要求。仿真实验表明,所提算法降低了后验粒子权值的方差,有效地抑制了粒子退化,实现了非线性滤波估计精度的提高。
林艳明[5]（2021）在《基于智能粒子滤波的声源目标追踪方法研究》文中指出传统的粒子滤波在非线性系统中表现优于卡尔曼滤波,但粒子退化现象亦影响粒子滤波性能。智能粒子滤波能够使低权值的粒子进化为高权重粒子,在一定程度上提高粒子多样性。在智能粒子滤波的基础上,增加自适应处理和类粒子群优化思想,进一步优化遗传重采样,提高智能粒子滤波在声源追踪中的性能。自适应智能粒子滤波,从粒子变异概率入手,其变异策略依旧沿用于智能粒子滤波,基于粒子群优化思想改进的智能粒子滤波从粒子变异方向的角度优化了变异算子,粒子根据后验概率分布状况调节变异方向。通过标准的粒子滤波验证模型、自由落体运动模型和非高斯噪声系统下的自由落体,对粒子滤波、拓展卡尔曼滤波、正则粒子滤波、智能粒子滤波、自适应智能粒子滤波和改进的粒子滤波进行仿真,统计均方根误差、平均误差、有效粒子数、平均运行时间和轨迹等,从多个角度对算法进行分析。仿真结果表明,本文改进的智能粒子滤波在多个角度性能都要优于智能粒子滤波,尤其是基于粒子群优化思想改进的智能粒子滤波,在多个模型中,其性能有10%-60%的提升。在高线性的自由落体仿真中,基于粒子群优化思想改进的智能粒子滤波的统计结果依旧要优于拓展卡尔曼滤波算法,并大幅度提高了速度估计精度。但算法的复杂性也使得算法消耗更多的计算资源,平均运行时间要略高于智能粒子滤波和自适应粒子滤波,但远低于正则粒子滤波,在保证了一定时效性的前提下,得到较大的性能提升。设计了基于时延估计（TDOA）的目标运动追踪仿真,以系统噪声模拟目标的各种运动轨迹,以TDOA噪声模拟声源信号中噪声和混响的影响,并通过设置不同大小的TDOA噪声验证算法的鲁棒性。结果表明,无论TDOA取值多少,改进的智能粒子滤波均有较高的性能优势,且其误差波动较小,收敛性更佳,同时,在算法鲁棒性方面也优于智能粒子滤波,自适应粒子滤波的性能提升仅略逊于改进的智能粒子滤波,智能粒子滤波追踪结果良好,但其误差波动性较大。在分布式阵列目标追踪实验中,以多组运动方程设计目标的运动轨迹,验证本文改进策略的工程可行性。结果表明,基于粒子群优化思想改进的智能粒子滤波追踪性能远优于其他方法,自适应粒子滤波效果紧随其后,智能粒子滤波也能保持一定追踪精度。
王宇[6]（2021）在《助推—滑翔飞行器高精度轨迹跟踪方法研究》文中研究表明近年来,助推-滑翔飞行器研究逐渐成熟,世界航天强国开展了大量相关试验,部分国家的助推-滑翔飞行器已进入战斗值班状态。不同于运动形式固定的弹道式目标,助推-滑翔飞行器具有飞行阶段多、机动能力强、机动形式多变的特点,其强突防能力为现有导弹防御系统造成极大挑战,发展助推-滑翔飞行器拦截相关技术刻不容缓,对保护我国国家安全及人民生命财产安全具有重要的战略意义。助推-滑翔飞行器轨迹跟踪技术为整个拦截过程提供目标信息支持,如何提高助推-滑翔飞行器跟踪精度是拦截技术发展的首要难题,关系任务成败。本论文针对助推-滑翔飞行器助推、滑翔两个主要飞行阶段,开展弹道特性分析、运动模型建立以及高精度轨迹跟踪方法研究,具体研究内容包括:1)基于弹道特性分析,完成了助推-滑翔飞行器高精度运动模型构建。首先,从助推-滑翔飞行器的助推段受力分析出发,总结了其弹道特性。进而对飞行器助推段运动微分方程进行合理假设和简化,建立了兼具符合运动特性与形式简单优点的助推段运动模型。然后,针对滑翔段机动能力强、机动形式多变的问题,分析滑翔段常见机动形式的特点并建立完备模型集。其中,建立了“当前”统计模型描述平衡滑翔和横向机动形式,利用带有指数衰减项的正弦波自相关自适应均值随机过程描述跳跃滑翔目标机动加速度,提出了更符合跳跃滑翔特点的非零均值衰减震荡正弦波模型,为后续轨迹跟踪方法研究奠定了基础。2)为提高助推-滑翔飞行器助推段轨迹跟踪精度,对助推段跟踪传感器——天基红外预警卫星的工作原理进行了分析,提出其量测噪声为量化噪声,建立了量化噪声模型,分析了量化噪声特性。传统滤波方法基于高斯噪声假设,在量化噪声条件下面临跟踪精度差的问题。本文首先基于卡尔曼滤波框架,推导了量化量测下状态量期望和协方差计算方法,提出了量化扩展卡尔曼滤波方法;然后基于贝叶斯估计框架及粒子滤波思想,并结合量化量测概率密度函数,提出了近似最优的量化遗传重采样粒子滤波方法,方法中引入自然界遗传进化的思想进行重采样,以避免粒子退化问题并保证粒子多样性。针对量化噪声导致的多维高斯积分困难问题,将Genz转换和伪蒙特卡洛积分方法相结合,提出了一种多维高斯数值积分方法。最后,通过数学仿真验证了所提算法在跟踪精度方面的优越性。3)在天基红外预警卫星组网跟踪助推-滑翔飞行器场景下,分别针对角度量测和像素坐标量测提出了基于混合一致性的分布式滤波方法。其中,基于混合一致性方法设计了分布式滤波框架,以去中心化的方式收集量测信息并估计目标状态,以量测一致性和信息一致性方法相结合的混合一致性方式实现系统高精度快速一致。为解决角度量测方程的强非线性问题,从量测方程转换的角度出发,将非线性量测方程转化为与飞行器状态线性相关的伪量测方程,并对转换误差进行补偿,与混合一致性分布式信息滤波框架相融合,提出了角度量测混合一致性分布式伪量测信息滤波方法。在像素坐标量测下,基于Sheppard校正方法处理了量化噪声,采用五阶球面-径向容积规则处理了系统非线性,与混合一致性分布式信息滤波框架相融合,提出了像素坐标量测混合一致性分布式容积信息滤波方法。设计了传感器组网助推段轨迹跟踪数学仿真,对算法的一致性速度、准确性进行了验证。4)由于助推-滑翔飞行器滑翔段机动能力强、机动形式多变,且主动雷达易遭受虚假数据注入攻击,导致传统轨迹跟踪算法精度差。为此提出了一种考虑虚假数据注入攻击的变结构多模型滤波方法。首先,建立了虚假数据注入攻击模型和攻击条件下的主动雷达量测模型,设计了攻击参数伪量测方程使攻击参数可估计,提出了“攻击检测-攻击参数估计-攻击参数补偿”的虚假数据注入攻击处理思路,以处理虚假数据注入攻击长期存在的场景。然后,基于模型集激活与模型集终止操作合并的思路,根据边缘模型概率设计模型集自适应策略,通过修正新息完成了攻击参数补偿,提出了新的变结构多模型方法,以减小传统变结构多模型方法的模型竞争,补偿攻击参数的影响。最后,对比分析了所提算法在轨迹跟踪精度方面的优越性,并分析了攻击强度对所提算法的影响。
王海峰[7]（2021）在《面向水下监测网络的粒子滤波目标跟踪算法研究》文中提出由于水下空间环境物理特性复杂,噪声多源且动态变化,传统的集中式或者采用声呐阵列的目标跟踪方式无法实现高精度的水下定位与跟踪。水下分布式网络因其监测范围大、部署灵活等特点,为水下目标状态估计提供了更加实时有效的数据支持,使得高精度的水下运动轨迹跟踪成为可能。为降低水下环境噪声对观测信息准确性的影响,提供高精度的水下定位与跟踪服务,本文对现有的水下跟踪方法进行综合探讨,并采取仿真模拟的方法对不同方法进行对比,分析不同方法的优劣性。此外结合实际情况,提出了基于粒子滤波的目标跟踪算法来提高水下目标跟踪的精度。本文研究包含以下两个方面内容:针对水下环境噪声问题,提出基于分布式感知网络的目标跟踪算法。考虑到水下环境信噪比低、目标信号弱和信号传播距离有限等不利因素,为降低水下环境噪声对观测信息准确性的影响,本文提出了一种网络资源动态分配机制,充分利用各层级网络的感知信息,通过对节点资源的调配增强整体网络的探测能力,实现在水下监测网中准确的获取目标的观测信息。另外,在不考虑多目标跟踪中数据关联和信息误报的情况下,设计了基于分布式状态融合的粒子滤波算法,以改善各种观测噪声对单目标跟踪精度的影响。仿真表明,相比于传统算法,本文所提出的方法在多种非高斯噪声环境和目标非线性运动的情况下,可以获得更好的跟踪精度且稳定性更高。针对多目标处于小范围区域内的交汇问题,本文引入双层粒子滤波算法增加水下多目标跟踪精度。研究小范围区域内水下多目标的跟踪问题,除了非高斯观测噪声和低信噪比带来的影响外,还有观测信息不匹配和相似特征导致的虚警干扰问题。尤其是多个目标存在交叉运动时,上述问题将变得非常严重,最终可能导致算法计算量暴增和跟踪轨迹偏离。对此,本文提出了一种基于分布式概率融合的双层粒子滤波算法。在多目标进行轨迹交汇的问题上,算法可以根据目标的历史航迹及其观测粒子的状态信息来获得准确的数据关联,进而得到更多的有效信息;在融合层对预处理后的空间观测信息进行独立的粒子滤波,从而提高观测信息的准确性。仿真实验表明,在模拟多个目标在小范围区域内出现交叉靠近的情况下,本文提出的算法可以提供较高的定位精度和状态估计信息。
周思迪[8]（2021）在《基于深度学习的粒子滤波目标跟踪算法研究》文中提出目标跟踪作为计算机视觉领域的研究热点,在智能监控、人机交互、军事侦察等实际场景中具有非常广泛的应用前景,针对目标跟踪面临尺度变化、光照变化、遮挡等情况的影响,以深度学习网络框架为基础,从特征提取、模型更新等方面对单目标跟踪展开研究,主要研究内容如下:（1）针对目标跟踪过程中训练样本不足以及传统的分类器在线性不可分情况下分类效果不佳的问题,提出了一种基于深度降噪自编码器的粒子滤波目标跟踪算法,采用堆栈降噪自编码器（Stack Denoising Autoencoder,SDAE）作为深度网络模型,通过对数据进行噪声处理,在神经网络模型上进行离线训练,以此提高网络的表征能力和抗干扰能力。采用支持向量机（Support Vector Machine,SVM）和径向基核函数来实现特征的分类,提高网络的分类能力和跟踪算法的精度。在跟踪过程中,采用粒子滤波器分散粒子,通过深度网络模型计算粒子的置信度,实现对于单目标物体的有效跟踪。（2）为了解决算法准确性以及计算成本过高的问题,提出了基于卷积神经网络改进的粒子滤波目标跟踪算法。首先,采用注意力机制（Attention Model）对采样粒子进行约束,通过在特征图后添加注意力机制层,对干扰特征进行抑制,提高卷积神经网络的特征提取能力,通过离线训练的方式,提高网络的训练效率和泛化能力。其次,采用简单高效的Softmax作为分类器,提高网络的计算速度和分类能力,最后在粒子滤波算法框架下实现对于单目标物体的精确跟踪,同时,采用长短时决策对模型进行更新,通过在线困难样本挖掘（Online Hard Example Mining,OHEM）的训练方法减少算法的计算成本,提高对于困难样本的区分能力。（3）在OTB50数据集与其他主流的跟踪算法进行对比,实验结果表明,本文提出的两种基于深度学习的粒子滤波目标跟踪算法在面临尺度变化、光照变化、遮挡等外部因素影响下可以实现对于目标的准确跟踪,准确率分别提高了4.48%和4.86%,达到了69.1%和82.7%。有效提高了目标跟踪算法的鲁棒性。
程晶晶[9]（2021）在《基于深度学习和粒子滤波的目标跟踪算法研究》文中研究指明目标跟踪是计算机视觉领域的一个研究热点,在智能监控、无人驾驶、人机交互和国防军事等领域都有着非常重要的研究价值,它的主要任务是为了获取视频或者图像序列中感兴趣目标的位置以及运动轨迹,为进一步的语义层分析提供基础信息。根据场景中运动目标数目的不同,目标跟踪可以分为单目标跟踪和多目标跟踪,多目标跟踪相对于单目标跟踪的复杂程度更高,涉及了数据关联。单目标跟踪可以简单理解为只需要完成对视频中单个目标连续数据的滤波,它侧重于设计复杂的外观模型或者运动模型来区分目标和背景。随着深度学习的快速发展,基于深度学习的目标跟踪逐渐成为国内外学者的研究主流,并且取得了一定的研究成果。但是由于目标运动和测量值的不确定性,目标跟踪是一个比较困难的状态估计问题。本文采用粒子滤波思想,在深度学习框架下研究基于检测的目标跟踪算法,分别将其应用在单目标和多目标领域。本文的主要研究内容和创新点如下:（1）构建基于粒子滤波的长短期记忆网络（LSTM）模型。针对传统的LSTM难以处理高维随机序贯数据的问题,本文提出了一种新的长短期记忆网络（PF-LSTM）,该网络借鉴粒子滤波的思想,利用一组加权粒子近似潜在变量,并根据贝叶斯规则通过LSTM的门控机制更新潜在状态分布。（2）研究PF-LSTM在单目标跟踪领域的应用。针对现有的目标跟踪算法不能很好的处理目标运动不确定性的问题,基于PF-LSTM模型,本文提出了深度粒子滤波跟踪器（DPFT）,可以有效对视频序列中的不确定性进行建模。（3）研究PF-LSTM在多目标跟踪领域的应用。针对多目标跟踪中的数据关联问题,基于DPFT模型,本文设计了一种数据关联组合问题的模型,该模型包含了目标存在概率估计的模型以及基于LSTM的数据关联算法,目标的出现和消失可以完全从数据中学习,实现了在线多目标的端到端学习。（4）评估所提算法的有效性。DPFT算法在两个基准数据集OTB100和VOT2016上的实验结果表明,目标跟踪的精确率达到82.1%,成功率达到62.3%。多目标跟踪算法在MOT16数据集上的实验结果表明:该算法的MOTA达到48.2%,MOTP达到75.2%,性能优于其它最先进的跟踪算法。
徐昌豪[10]（2021）在《基于粒子滤波的载波恢复技术研究与实现》文中指出载波恢复是无线通信的关键技术之一,其对载波频相偏移进行估计反馈调整,实现信号的正确解调。近地无线相干光通信系统在实际应用中,光源漂移及湍流效应等因素会对信号光载波造成非线性非高斯的多源复合叠加损伤,产生频相偏移提高误码率。粒子滤波（Particle filter,PF）作为一种广泛应用的算法,对弱限制性系统表现出了优秀的估计性能。因此,研究其在无线光通信载波恢复技术中的实际应用具有重要意义。本文以无线光通信为应用场景,将粒子滤波作为核心算法,进行了载波恢复跟踪功能的FPGA实现,并通过搭建实机通信系统,对实验数据进行分析,为粒子滤波在高灵敏度自由空间光外差探测通信系统中的工程化应用进行了方向性尝试并提供了一个可供参考的实例。本文首先进行了相关通信理论的分析与建模,通过推算双端激光源及大气湍流信道对载波的影响进行载波偏移模型的建立,确认了不低于二维的状态基底和噪声分布类型,并搭建了载波恢复跟踪环路,将算法与工程联系起来。随后进行了滤波算法的研究及对比分析,结合载波偏移模型,对参数估计算法进行状态空间建模,明确状态方程与观测方程参数,并依此设计了几种常见算法。最终通过仿真对比确认了PF优异的估计性能,以及扩展卡尔曼滤波在低阶模型下相对其他算法更为均衡的综合表现,为方案的提出和优化提供了数学模型以及实验依据。在此基础上,开展了本文场景下的粒子滤波算法设计与优化。确定了PF各部分具体结构所采用的算法,并提出了间隔重采样与基于权重预排序思想的两类优化方案以克服存在的问题,达到了本文应用环境下的最适设计,最终通过仿真验证了算法的有效性。最后完成了硬件设计的实现与验证,对算法进行FPGA硬件实现,并对算法-硬件逻辑转移过程中可能出现的问题进行了优化和解决。最终通过搭建板级系统进行实验测试,实现了10Mbps下QPSK信号的实时稳定光通信数据传输,确认设计目标完成,且证实了基于粒子滤波的载波恢复算法在实际工程应用环境中的可靠性。
二、非高斯条件下基于粒子滤波的目标跟踪（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、非高斯条件下基于粒子滤波的目标跟踪（论文提纲范文）
（1）基于遗传重采样粒子滤波的弹道跟踪方法（论文提纲范文）
| 0 引 言 |
| 1 弹道导弹自由段跟踪建模 |
| 1.1 坐标系定义 |
| 1)地心固连坐标系O-XYZ |
| 2)东北天坐标系o-xyz |
| 3)极坐标系 |
| 1.2 目标运动建模 |
| 1.3 目标量测建模 |
| 2 遗传重采样粒子滤波算法 |
| 2.1 标准粒子滤波算法 |
| 2.2 基于遗传重采样的改进粒子滤波 |
| 3 数学仿真分析 |
| 3.1 仿真场景及条件 |
| 3.2 仿真结果及分析 |
| 4 结束语 |
（2）非线性非高斯条件下基于粒子滤波的目标跟踪（论文提纲范文）
| 0 引 言 |
| 1 高维密度函数抽取粒子方案 |
| 1.1 粒子滤波算法原理 |
| 1.2 从高维概率密度函数中抽取粒子 |
| 2 一维非线性系统及非高斯模型系统建模 |
| 2.1 一维非线性系统建模 |
| 2.2 非高斯模型系统建模 |
| 1)机动目标模型的建立 |
| 2)观测噪声模型的建立 |
| 3 算法描述 |
| 3.1 基于改进的PF算法进行一维非线性系统跟踪估计 |
| 3.2 基于PF算法进行非高斯系统机动目标跟踪 |
| 4 仿真结果及分析 |
| 4.1 一维非线性系统的仿真与分析 |
| 4.2 算法对比分析 |
| 4.3 PF算法在非高斯模型系统中的仿真与分析 |
| 5 结 论 |
（3）改进的粒子滤波算法及其应用研究（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 国内外发展现状及趋势 |
| 1.2.1 估计问题的研究现状 |
| 1.2.2 非线性滤波技术的现状 |
| 1.2.3 目标跟踪的研究现状 |
| 1.3 论文主要研究内容与结构 |
| 第二章 滤波方法研究 |
| 2.1 滤波状态模型 |
| 2.2 维纳滤波 |
| 2.2.1 维纳滤波原理 |
| 2.2.2 维纳滤波的应用 |
| 2.3 卡尔曼滤波 |
| 2.3.1 卡尔曼滤波原理 |
| 2.3.2 扩展卡尔曼滤波 |
| 2.3.3 无迹卡尔曼滤波 |
| 2.4 粒子滤波 |
| 2.4.1 粒子滤波原理 |
| 2.4.2 重采样算法 |
| 2.4.3 重采样数值仿真 |
| 2.4.4 粒子滤波的应用 |
| 2.5 本章小结 |
| 第三章 群智能优化算法研究 |
| 3.1 群智能优化算法 |
| 3.1.1 萤火虫算法 |
| 3.1.2 最优邻居引导 |
| 3.1.3 粒子滤波与萤火虫算法结合 |
| 3.2 仿真分析 |
| 3.2.1 重采样算法的仿真 |
| 3.2.2 非线性方程的仿真 |
| 3.3 本章小结 |
| 第四章 改进算法在目标跟踪领域的应用 |
| 4.1 距离跟踪 |
| 4.1.1 距离跟踪模型 |
| 4.1.2 仿真与分析 |
| 4.2 角度跟踪 |
| 4.2.1 角度跟踪模型 |
| 4.2.2 仿真与分析 |
| 4.3 角度与距离跟踪 |
| 4.3.1 角度距离跟踪模型 |
| 4.3.2 仿真与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作的创新与不足 |
| 5.3 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（4）非线性系统滤波粒子退化解决策略与方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 优化重采样 |
| 1.2.2 优化重要密度函数 |
| 1.2.3 智能优化粒子分布 |
| 1.3 主要研究内容 |
| 1.4 本文的组织结构 |
| 2 粒子滤波算法理论基础 |
| 2.1 递推贝叶斯滤波 |
| 2.2 蒙特卡罗方法 |
| 2.2.1 蒙特卡罗积分 |
| 2.2.2 重要性采样 |
| 2.3 粒子滤波基本原理 |
| 2.3.1 序贯重要性采样 |
| 2.3.2 重采样方法 |
| 2.3.3 标准粒子滤波算法基本步骤 |
| 2.4 粒子退化和贫化 |
| 2.5 本章小结 |
| 3 最大熵扩展粒子滤波算法设计 |
| 3.1 重要性密度函数的选择 |
| 3.2 优化重要性密度函数的改进粒子滤波 |
| 3.2.1 无迹粒子滤波 |
| 3.2.2 扩展粒子滤波 |
| 3.2.3 辅助粒子滤波 |
| 3.3 最大熵扩展粒子滤波算法设计 |
| 3.3.1 熵准则与高阶矩信息 |
| 3.3.2 最大熵扩展卡尔曼滤波器 |
| 3.3.3 最大熵扩展粒子滤波 |
| 3.4 算法仿真与结果分析 |
| 3.4.1 系统模型与参数设置 |
| 3.4.2 滤波评价指标 |
| 3.4.3 实验与结果 |
| 3.5 本章小结 |
| 4 基于极小化极大风险的变异粒子滤波算法设计 |
| 4.1 智能优化粒子分布的改进粒子滤波 |
| 4.1.1 粒子群粒子滤波 |
| 4.1.2 支持向量回归粒子滤波 |
| 4.2 基于极小化极大风险的变异粒子滤波算法设计 |
| 4.2.1 正则化粒子滤波算法 |
| 4.2.2 基于极小化极大风险的变异粒子滤波算法 |
| 4.3 算法仿真与结果分析 |
| 4.3.1 系统模型与参数设置 |
| 4.3.2 实验与结果 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（5）基于智能粒子滤波的声源目标追踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 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 声源追踪研究现状 |
| 1.2.2 粒子滤波研究现状 |
| 1.3 本章小节 |
| 第二章 基于声阵列的声源定位追踪方法 |
| 2.1 基于声全息和波束形成的声源定位方法 |
| 2.2 基于TDOA的声源定位方法 |
| 2.2.1 GCC-PHAT方法 |
| 2.2.2 Chan算法 |
| 2.3 声源追踪基本框架 |
| 2.4 本章总结 |
| 第三章 基于遗传重采样的智能粒子滤波及其改进策略 |
| 3.1 标准粒子滤波 |
| 3.2 遗传重采样 |
| 3.3 遗传重采样改进策略 |
| 3.3.1 自适应遗传重采样 |
| 3.3.2 基于粒子群优化思想的遗传重采样 |
| 3.4 仿真模型 |
| 3.4.1 单变量非稳态增长仿真模型 |
| 3.4.2 自由落体仿真模型 |
| 3.4.3 非高斯随机噪声下自由落体仿真模型 |
| 3.5 仿真结果分析 |
| 3.5.1 单变量非稳态增长模型仿真结果 |
| 3.5.2 自由落体模型仿真结果 |
| 3.5.3 非高斯随机噪声中自由落体仿真模型仿真结果 |
| 3.6 本章总结 |
| 第四章 基于智能粒子滤波的声源追踪方法仿真分析 |
| 4.1 基于TDOA的定位追踪仿真模型 |
| 4.2 仿真结果 |
| 4.3 仿真结果分析 |
| 4.4 本章总结 |
| 第五章 分布式阵列声源追踪实验 |
| 5.1 分布式阵列实验平台 |
| 5.2 实验环境 |
| 5.2.1 小角度折线轨迹 |
| 5.2.2 半圆曲线轨迹 |
| 5.2.3 小角度组合轨迹 |
| 5.2.4 大角度折线轨迹 |
| 5.2.5 大角度组合轨迹 |
| 5.3 基于粒子滤波的声源追踪方法 |
| 5.4 实验结果分析 |
| 5.5 本章总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）助推—滑翔飞行器高精度轨迹跟踪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语对照表 |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 助推-滑翔飞行器发展现状 |
| 1.2.1 总体发展情况 |
| 1.2.2 弹道特性研究 |
| 1.3 轨迹跟踪方法研究现状 |
| 1.3.1 目标运动模型研究现状 |
| 1.3.2 非线性滤波方法研究现状 |
| 1.3.3 量化噪声研究现状 |
| 1.3.4 传感器组网滤波结构研究现状 |
| 1.3.5 多模型滤波结构研究现状 |
| 1.4 本文组织结构及主要研究内容 |
| 第2章 助推-滑翔飞行器弹道特性分析及运动模型建立 |
| 2.1 引言 |
| 2.2 助推段弹道特性分析及运动模型建立 |
| 2.2.1 助推段弹道特性分析 |
| 2.2.2 助推段模型建立 |
| 2.3 滑翔段弹道特性分析及运动模型建立 |
| 2.3.1 滑翔段弹道特性分析 |
| 2.3.2 滑翔段模型建立 |
| 2.4 本章小结 |
| 第3章 量化噪声条件下的助推段高精度滤波方法 |
| 3.1 引言 |
| 3.2 天基红外预警卫星量化量测建模 |
| 3.2.1 天基红外预警卫星量化噪声特性分析 |
| 3.2.2 天基红外预警卫星量化测量模型 |
| 3.3 量化扩展卡尔曼滤波方法 |
| 3.3.1 量化扩展卡尔曼滤波方法推导 |
| 3.3.2 基于Genz转换和伪蒙特卡洛的高维高斯函数积分方法 |
| 3.3.3 量化扩展卡尔曼滤波器设计 |
| 3.4 量化遗传重采样粒子滤波方法 |
| 3.4.1 贝叶斯估计理论 |
| 3.4.2 基于遗传重采样粒子滤波的近似最优滤波方法 |
| 3.4.3 量化遗传重采样粒子滤波器设计 |
| 3.5 助推段轨迹跟踪数学仿真与分析 |
| 3.5.1 仿真场景设置 |
| 3.5.2 仿真结果分析 |
| 3.6 本章小结 |
| 第4章 传感器组网助推段高精度分布式滤波方法 |
| 4.1 引言 |
| 4.2 基于混合一致性的分布式信息滤波框架 |
| 4.2.1 传感器网络拓扑结构 |
| 4.2.2 分布式滤波结构 |
| 4.2.3 混合一致性方法 |
| 4.3 角度量测混合一致性分布式伪量测信息滤波方法 |
| 4.3.1 分布式传感器伪量测方程 |
| 4.3.2 伪量测引起的估计偏差补偿方法 |
| 4.3.3 基于DHCPMIF-BC方法的滤波器设计 |
| 4.4 像素坐标量测混合一致性分布式容积信息滤波方法 |
| 4.4.1 基于五阶球面-径向容积规则的非线性处理方法 |
| 4.4.2 信息矩阵贡献和信息状态贡献计算方法 |
| 4.4.3 量化噪声处理 |
| 4.4.4 基于DHCCIF-SP方法的滤波器设计 |
| 4.5 传感器组网助推段轨迹跟踪数学仿真与分析 |
| 4.5.1 仿真场景设置 |
| 4.5.2 仿真结果分析 |
| 4.6 本章小结 |
| 第5章 考虑虚假数据注入攻击的变结构多模型滑翔段高精度滤波方法 |
| 5.1 引言 |
| 5.2 虚假数据注入攻击条件下的主动雷达量测模型建立 |
| 5.2.1 虚假数据注入攻击模型 |
| 5.2.2 虚假数据注入攻击条件下的主动雷达量测模型 |
| 5.3 考虑虚假数据注入攻击的变结构多模型滤波方法 |
| 5.3.1 虚假数据注入攻击检测 |
| 5.3.2 攻击参数估计 |
| 5.3.3 攻击参数补偿变结构多模型滤波 |
| 5.4 滑翔段轨迹跟踪数学仿真 |
| 5.4.1 仿真场景设置 |
| 5.4.2 仿真参数设置 |
| 5.4.3 仿真结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间所发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（7）面向水下监测网络的粒子滤波目标跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 水下目标跟踪的国内外研究现状 |
| 1.3 本课题的主要研究内容及结构安排 |
| 1.3.1 主要研究内容及方法 |
| 1.3.2 结构安排 |
| 第2章 水下目标跟踪的基本理论 |
| 2.1 概述 |
| 2.2 水下目标跟踪的基本要素 |
| 2.2.1 观测数据的选取与分类 |
| 2.2.2 跟踪门限技术 |
| 2.3 经典的目标状态估计方法 |
| 2.3.1 扩展卡尔曼滤波器 |
| 2.3.2 粒子滤波器 |
| 2.4 本章小结 |
| 第3章 水下环境噪声中的目标定位与跟踪 |
| 3.1 引言 |
| 3.2 水下环境特性的网络资源动态分配方法 |
| 3.2.1 基于先验位置估计的网络资源动态分配机制 |
| 3.2.2 基于几何约束的位置估计模型 |
| 3.3 水下环境特性的目标跟踪模型 |
| 3.3.1 目标的运动跟踪模型 |
| 3.3.2 观测噪声模型 |
| 3.4 基于分布式状态融合的粒子滤波算法 |
| 3.4.1 观测层的粒子滤波过程 |
| 3.4.2 基于分布式状态融合的目标轨迹计算 |
| 3.5 水下环境背景下跟踪算法的仿真分析 |
| 3.5.1 仿真环境搭建及参数设置 |
| 3.5.2 目标跟踪算法的性能分析和对比 |
| 3.6 本章小结 |
| 第4章 小范围区域内的水下多目标定位与跟踪 |
| 4.1 引言 |
| 4.2 系统结构框架及问题描述 |
| 4.2.1 问题与结构描述 |
| 4.2.2 整体结构模型 |
| 4.3 基于双层粒子滤波的水下多目标跟踪算法 |
| 4.3.1 观测数据层的粒子滤波与数据关联方法 |
| 4.3.2 融合层粒子滤波与数据融合方法 |
| 4.4 仿真性能分析 |
| 4.4.1 仿真环境的构建 |
| 4.4.2 定位误差分析与对比 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）基于深度学习的粒子滤波目标跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 目标跟踪概述 |
| 1.4 论文主要研究内容 |
| 1.5 本文章节安排 |
| 第二章 目标跟踪相关理论基础 |
| 2.1 深度学习概述 |
| 2.2 降噪自编码器 |
| 2.2.1 降噪自动编码器发展 |
| 2.2.2 降噪自动编码器结构 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络发展 |
| 2.3.2 卷积神经网络结构 |
| 2.4 粒子滤波概述 |
| 2.5 本章小结 |
| 第三章 基于深度降噪自编码器的粒子滤波目标跟踪算法 |
| 3.1 深度降噪自编码器的构建 |
| 3.1.1 数据集的选择 |
| 3.1.2 深度降噪自编码器的训练 |
| 3.1.3 网络参数微调 |
| 3.2 非线性SVM分类器 |
| 3.2.1 支持向量机概述 |
| 3.2.2 非线性SVM模型 |
| 3.3 基于SDAE的粒子滤波目标跟踪算法流程 |
| 3.3.1 预处理训练阶段 |
| 3.3.2 在线目标跟踪 |
| 3.3.3 在线模型更新 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的粒子滤波目标跟踪算法 |
| 4.1 引言 |
| 4.2 卷积神经网络的构建 |
| 4.2.1 引入注意力机制 |
| 4.2.2 卷积神经网络的设计 |
| 4.2.3 预训练网络模型 |
| 4.3 Softmax分类器 |
| 4.4 基于CNN的粒子滤波目标跟踪算法流程 |
| 4.4.1 在线目标跟踪 |
| 4.4.2 在线模型更新 |
| 4.5 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 目标跟踪算法评估标准 |
| 5.2 基于SDAE的粒子滤波目标跟踪算法实验结果 |
| 5.2.1 实验平台与参数 |
| 5.2.2 定性分析 |
| 5.2.3 定量分析 |
| 5.3 基于CNN的粒子滤波目标跟踪算法实验结果 |
| 5.3.1 实验平台与参数 |
| 5.3.2 定性分析 |
| 5.3.3 定量分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（9）基于深度学习和粒子滤波的目标跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 单目标跟踪研究现状 |
| 1.3.2 多目标跟踪研究现状 |
| 1.4 论文主要内容及组织结构 |
| 1.4.1 论文主要内容 |
| 1.4.2 论文组织结构 |
| 第二章 目标跟踪相关理论概述 |
| 2.1 引言 |
| 2.2 贝叶斯滤波 |
| 2.2.1 状态空间 |
| 2.2.2 贝叶斯推理 |
| 2.3 卡尔曼滤波 |
| 2.4 粒子滤波 |
| 2.5 神经网络模型 |
| 2.5.1 神经网络 |
| 2.5.2 循环神经网络 |
| 2.5.3 长短期记忆网络 |
| 2.6 数据集 |
| 2.6.1 单目标跟踪数据集 |
| 2.6.2 多目标跟踪数据集 |
| 2.7 评价指标 |
| 2.7.1 单目标跟踪评价指标 |
| 2.7.2 多目标跟踪评价指标 |
| 2.8 本章小结 |
| 第三章 基于粒子滤波的长短期记忆网络单目标跟踪算法 |
| 3.1 引言 |
| 3.2 算法整体架构 |
| 3.3 目标检测模块 |
| 3.4 在线跟踪模块 |
| 3.4.1 模块概述 |
| 3.4.2 随机记忆更新 |
| 3.4.3 粒子权重更新 |
| 3.4.4 软重采样 |
| 3.5 网络训练 |
| 3.6 实验设置与结果分析 |
| 3.6.1 算法实现细节 |
| 3.6.2 实验结果分析 |
| 3.6.3 附加实验 |
| 3.6.4 运行时间比较 |
| 3.7 本章小结 |
| 第四章 基于PF-LSTM网络的多目标跟踪算法 |
| 4.1 引言 |
| 4.2 模型介绍 |
| 4.2.1 模型整体结构 |
| 4.2.2 目标检测模块 |
| 4.2.3 单目标跟踪模块 |
| 4.2.4 数据关联模块 |
| 4.3 网络训练 |
| 4.4 实验设置与结果分析 |
| 4.4.1 算法实现细节 |
| 4.4.2 实验结果分析 |
| 4.4.3 运行时间比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（10）基于粒子滤波的载波恢复技术研究与实现（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 国内外研究动态 |
| 1.2.1 无线光通信研究历史与现状 |
| 1.2.2 载波恢复研究历史与现状 |
| 1.2.3 粒子滤波研究历史与现状 |
| 1.3 本文研究目标及主要工作 |
| 1.4 本文结构安排 |
| 第二章 无线光通信载波恢复理论研究与建模 |
| 2.1 近地无线光通信理论与系统模型 |
| 2.1.1 无线光通信系统组成 |
| 2.1.2 相干外差探测原理 |
| 2.2 无线光通信链路载波偏移建模 |
| 2.2.1 载波频率偏移模型 |
| 2.2.2 载波相位偏移模型 |
| 2.2.3 相干外差系统信噪比 |
| 2.3 载波跟踪环路建模 |
| 2.3.1 载波跟踪环路结构分析 |
| 2.3.2 基于参数估计的载波跟踪环路建模 |
| 2.4 本章小结 |
| 第三章 参数估计滤波算法研究 |
| 3.1 贝叶斯滤波理论 |
| 3.2 卡尔曼滤波体系的研究与分析 |
| 3.2.1 卡尔曼滤波 |
| 3.2.2 扩展卡尔曼滤波 |
| 3.2.3 无迹卡尔曼滤波 |
| 3.3 粒子滤波算法的研究与分析 |
| 3.3.1 序贯重要性采样 |
| 3.3.2 粒子滤波算法 |
| 3.4 载波估计算法状态空间参数设计 |
| 3.5 算法仿真与性能比较 |
| 3.6 本章小结 |
| 第四章 粒子滤波算法的设计与优化 |
| 4.1 权重退化问题与评价标准 |
| 4.2 建议分布函数的设计 |
| 4.2.1 最优化设计标准 |
| 4.2.2 设计仿真与方案选择 |
| 4.3 重采样算法的设计 |
| 4.3.1 系统重采样算法结构设计与分析 |
| 4.3.2 残差系统重采样算法结构设计与分析 |
| 4.3.3 IMH算法结构设计与分析 |
| 4.4 重采样优化方案的设计 |
| 4.4.1 基于间隔重采样的优化方案 |
| 4.4.2 基于权重预排序的优化方案 |
| 4.5 算法总体方案仿真验证 |
| 4.5.1 基于PF的载波参数估计算法 |
| 4.5.2 算法仿真与功能验证 |
| 4.6 本章小结 |
| 第五章 载波恢复方案的硬件实现与验证 |
| 5.1 实验数字解调系统硬件架构方案 |
| 5.2 信号处理模块芯片选型 |
| 5.3 PF参数估计滤波器的FPGA优化设计实现 |
| 5.3.1 预排序列生成模块的FPGA实现 |
| 5.3.2 粒子滤波器结构单元的FPGA实现 |
| 5.3.3 并行化粒子滤波结构的设计与实现 |
| 5.4 载波跟踪环路的FPGA实现 |
| 5.5 载波恢复功能板级验证 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
四、非高斯条件下基于粒子滤波的目标跟踪（论文参考文献）
- [1]基于遗传重采样粒子滤波的弹道跟踪方法[J]. 江涛,范斌,秦武韬. 现代雷达, 2022(02)
- [2]非线性非高斯条件下基于粒子滤波的目标跟踪[J]. 罗伟丽,周芸,张博龙. 国外电子测量技术, 2021(07)
- [3]改进的粒子滤波算法及其应用研究[D]. 陈菘. 江西理工大学, 2021(01)
- [4]非线性系统滤波粒子退化解决策略与方法研究[D]. 彭希. 西安理工大学, 2021(01)
- [5]基于智能粒子滤波的声源目标追踪方法研究[D]. 林艳明. 华东交通大学, 2021(02)
- [6]助推—滑翔飞行器高精度轨迹跟踪方法研究[D]. 王宇. 哈尔滨工业大学, 2021(02)
- [7]面向水下监测网络的粒子滤波目标跟踪算法研究[D]. 王海峰. 燕山大学, 2021
- [8]基于深度学习的粒子滤波目标跟踪算法研究[D]. 周思迪. 西安石油大学, 2021(09)
- [9]基于深度学习和粒子滤波的目标跟踪算法研究[D]. 程晶晶. 华东交通大学, 2021(01)
- [10]基于粒子滤波的载波恢复技术研究与实现[D]. 徐昌豪. 电子科技大学, 2021(01)