贝叶斯多目标跟踪-(第2版) pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

无 著

图书标签:

• 贝叶斯估计
• 多目标跟踪
• 目标跟踪
• 滤波
• 概率模型
• 状态估计
• 传感器融合
• 机器人学
• 计算机视觉
• 机器学习

店铺： 英敏图书专卖店

出版社： 国防工业出版社

ISBN：9787118107586

商品编码：29870615371

包装：平装

开本：16

出版时间：2016-06-01

内容介绍
多年以来，多目标跟踪问题1直都是许多军事和民用技术应用*域中的热点问题，也是个难点问题。围绕多目标跟踪问题的核心，由美guoLawrexce D.Stoxe、Roy L.Streit、Thomas L.Corwix和Kristixe L.Bell所合*，鄂群、门金柱和姚科明共同翻译的《贝叶斯多目标跟踪(*2版)/guo防科技*作精品译丛》1书的1个十分鲜明的特点就是，书中*goxg的主要例子都以反潜战为背景，应用指向性明显。同时，本书非常强调概念和原理的阐述，不以数学推导为重心，在不失严格的基础上，强调了方*的实际应用。 &xbsp;

目录
*1章 跟踪问题 1.1 跟踪问题描述 1.1.1 观测和运动模型 1.1.2 估计 1.1.3 滤波 1.2 例1：跟踪1艘水面舰艇 1.2.1 目标状态的先验分布 1.2.2 运动模型 1.2.3 测量模型 1.2.4 跟踪输出 1.3 例2：纯方位跟踪 1.3.1 例子描述 1.3.2 先验分布 1.3.3 运动模型 1.3.4 测量模型 1.3.5 粒子滤波描述 1.3.6 评述 1.3.7 跟踪输出 1.4 例3：潜望镜探测和跟踪 1.4.1 目标跟踪 1.4.2 例子 1.5 例4：多目标跟踪 1.5.1 软相关 1.6 小结 参考文献*2章 贝叶斯推断和似然函数 2.1 贝叶斯推断的情形 2.1.1 频率论者的观点 2.1.2 条件论者的观点 2.1.3 贝叶斯论者的观点 2.2 似然函数和贝叶斯原理 2.2.1 似然函数 2.2.2 贝叶斯原理 2.2.3 贝叶斯原理的序贯性质 2.3 似然函数的例子 2.3.1 高斯接触模型 2.3.2 高斯型方位误差模型 2.3.3 混合方位和接触的测量 2.3.4 目标否定的信息 2.3.5 确定的信息 2.3.6 雷达和红外检测 2.3.7 信号-加-噪声模型 2.3.8 小结 参考文献第3章 单目标跟踪 3.1 贝叶斯滤波 3.1.1 递归贝叶斯滤波 3.1.2 预测和平滑 3.1.3 递归预测 3.1.4 递归平滑 3.1.5 批处理平滑 3.1.6 陆地规避 3.2 卡尔曼滤波 3.2.1 离散卡尔曼滤波 3.2.2 连续-离散卡尔曼滤波 3.2.3 卡尔曼平滑 3.3 非线性滤波的粒子滤波实现 3.3.1 粒子生成 3.3.2 粒子滤波递归 3.3.3 再采样 3.3.4 扰动目标状态 3.3.5 收敛性 3.3.6 奇异子 3.3.7 多运动模型 3.3.8 高维状态空间 3.4 小结 参考文献第4章 经典多目标跟踪 4.1 多目标跟踪 4.1.1 多目标运动模型 4.1.2 多目标似然函数 4.1.3 多目标贝叶斯递归 4.2 多假设跟踪 4.2.1 接触 4.2.2 扫描 4.2.3 数据关联假设 4.2.4 扫描和扫描关联假设 4.2.5 多假设跟踪分解 4.3 du立多假设跟踪 4.3.1 条件du立关联似然函数 4.3.2 扫描关联似然函数例子 4.3.3 du立定理 4.3.4 du立MHT递归 4.4 线性-高斯多假设跟踪 4.4.1 线性-高斯情况下的MHT递归 4.4.2 后验分布和关联概率 4.5 非线性联合概率数据关联 4.5.1 扫描关联假设 4.5.2 扫描关联概率 4.5.3 JPDA后验 4.5.4 允许新目标出现和删除存在目标 4.5.5 粒子滤波实现 4.5.6 例子 4.6 概率多假设跟踪 4.6.1 PMHT假设 4.6.2 关联上的后验分布 4.6.3 期望的醉大化 4.6.4 非线性PMlHT 4.6.5 线性-高斯PMHT 4.6.6 式（4.81）的证明 4.7 小结 4.8 说明 参考文献第5章 多目标强度滤波 5.1 多目标状态的点过程模型 5.1.1 PPP的基本属性 5.1.2 PPP的概率分布函数 5.1.3 点过程的叠加 5.1.4 目标运动过程 5.1.5 传感器测量过程 5.1.6 过程稀释 5.1.7 扩展空间 5.2 iFilter 5.2.1 扩展状态空间建模 5.2.2 预测的检测和未检测目标过程 5.2.3 测量过程 5.2.4 贝叶斯后验点过程（信息更新） 5.2.5 PPP近似 5.2.6 PPP近似中的相关损失 5.2.7 iFilter滤波 5.2.8 PPP的变换仍为PPP 5.3 PHD滤波 5.4 iFilter的PGF方* 5.4.1 PGF概述 5.4.2 有限格网上的iFilter 5.4.3 格网状态和直方数据的联合PGF 5.4.4 小单元*限 5.5 扩展目标滤波 5.6 小结 5.7 注记 5.7.1 其他话题 5.7.2 背景 参考文献第6章 使用跟踪生成测量的多目标跟踪 6.1 醉大后验罚函数跟踪 6.1.1 MAP-PF方程 6.1.2 迭代优化 6.1.3 算* 6.1.4 变形 6.2 粒子滤波实现 6.3 线性-高斯实现 6.4 例子 6.4.1 模型 6.4.2 MAP-PF实现 6.4.3 JDPA实现 6.4.4 例子zoxg结 6.5 小结 6.6 注记 6.7 传感器阵列观测模型和信号处理 6.7.1 传感器观测模型 6.7.2 阵列信号处理 6.7.3 Cramer-Rao限界 参考文献第7章 似然比检测和跟踪 7.1 基本检测和关系 7.1.1 似然比 7.1.2 测量似然比 7.2 似然比递归 7.2.1 简化似然比递归 7.2.2 对数似然比 7.3 声明目标存在 7.3.1 醉小化贝叶斯风险 7.3.2 在给定置信度下的目标声明 7.3.3 声明的奈曼-皮尔逊判据 7.3.4 检测qiax跟踪 7.4 LRDT低信噪比例子 7.4.1 简单例子 7.4.2 潜望镜检测的例子 7.5 具有高杂波率的阈值数据 7.5.1 测量和虚警模型 7.5.2 多基地声纳例子 7.6 基于格网的实现 7.6.1 先验似然比 7.6.2 运动模型 7.6.3 信息更新 7.7 使用LRDT进行多目标跟踪 7.7.1 测量似然比的局部性质 7.7.2 用做多目标跟踪检测的LRDT 7.8 iLRT 7.8.1 强度滤波的粒子滤波实现 7.8.2 目标检测和跟踪估计 7.8.3 例子 7.9 小结 7.10 注记参考文献附录 高斯密度引理

*1章&xbsp; 跟踪问题

&xbsp; 1.1&xbsp; 跟踪问题描述

&xbsp;&xbsp;&xbsp; 1.1.1&xbsp; 观测和运动模型

&xbsp;&xbsp;&xbsp; 1.1.2&xbsp; 估计

&xbsp;&xbsp;&xbsp; 1.1.3&xbsp; 滤波

&xbsp; 1.2&xbsp; 例1：跟踪1艘水面舰艇

&xbsp;&xbsp;&xbsp; 1.2.1&xbsp; 目标状态的先验分布

&xbsp;&xbsp;&xbsp; 1.2.2&xbsp; 运动模型

&xbsp;&xbsp;&xbsp; 1.2.3&xbsp; 测量模型

&xbsp;&xbsp;&xbsp; 1.2.4&xbsp; 跟踪输出

&xbsp; 1.3&xbsp; 例2：纯方位跟踪

&xbsp;&xbsp;&xbsp; 1.3.1&xbsp; 例子描述

&xbsp;&xbsp;&xbsp; 1.3.2&xbsp; 先验分布

&xbsp;&xbsp;&xbsp; 1.3.3&xbsp; 运动模型

&xbsp;&xbsp;&xbsp; 1.3.4&xbsp; 测量模型

&xbsp;&xbsp;&xbsp; 1.3.5&xbsp; 粒子滤波描述

&xbsp;&xbsp;&xbsp; 1.3.6&xbsp; 评述

&xbsp;&xbsp;&xbsp; 1.3.7&xbsp; 跟踪输出

&xbsp; 1.4&xbsp; 例3：潜望镜探测和跟踪

&xbsp;&xbsp;&xbsp; 1.4.1&xbsp; 目标跟踪

&xbsp;&xbsp;&xbsp; 1.4.2&xbsp; 例子

&xbsp; 1.5&xbsp; 例4：多目标跟踪

&xbsp;&xbsp;&xbsp; 1.5.1&xbsp; 软相关

&xbsp; 1.6&xbsp; 小结

&xbsp; 参考文献

*2章&xbsp; 贝叶斯推断和似然函数

&xbsp; 2.1&xbsp; 贝叶斯推断的情形

&xbsp;&xbsp;&xbsp; 2.1.1&xbsp; 频率论者的观点

&xbsp;&xbsp;&xbsp; 2.1.2&xbsp; 条件论者的观点

&xbsp;&xbsp;&xbsp; 2.1.3&xbsp; 贝叶斯论者的观点

&xbsp; 2.2&xbsp; 似然函数和贝叶斯原理

&xbsp;&xbsp;&xbsp; 2.2.1&xbsp; 似然函数

&xbsp;&xbsp;&xbsp; 2.2.2&xbsp; 贝叶斯原理

&xbsp;&xbsp;&xbsp; 2.2.3&xbsp; 贝叶斯原理的序贯性质

&xbsp; 2.3&xbsp; 似然函数的例子

&xbsp;&xbsp;&xbsp; 2.3.1&xbsp; 高斯接触模型

&xbsp;&xbsp;&xbsp; 2.3.2&xbsp; 高斯型方位误差模型

&xbsp;&xbsp;&xbsp; 2.3.3&xbsp; 混合方位和接触的测量

&xbsp;&xbsp;&xbsp; 2.3.4&xbsp; 目标否定的信息

&xbsp;&xbsp;&xbsp; 2.3.5&xbsp; 确定的信息

&xbsp;&xbsp;&xbsp; 2.3.6&xbsp; 雷达和红外检测

&xbsp;&xbsp;&xbsp; 2.3.7&xbsp; 信号-加-噪声模型

&xbsp;&xbsp;&xbsp; 2.3.8&xbsp; 小结

&xbsp; 参考文献

第3章&xbsp; 单目标跟踪

&xbsp; 3.1&xbsp; 贝叶斯滤波

&xbsp;&xbsp;&xbsp; 3.1.1&xbsp; 递归贝叶斯滤波

&xbsp;&xbsp;&xbsp; 3.1.2&xbsp; 预测和平滑

&xbsp;&xbsp;&xbsp; 3.1.3&xbsp; 递归预测

&xbsp;&xbsp;&xbsp; 3.1.4&xbsp; 递归平滑

&xbsp;&xbsp;&xbsp; 3.1.5&xbsp; 批处理平滑

&xbsp;&xbsp;&xbsp; 3.1.6&xbsp; 陆地规避

&xbsp; 3.2&xbsp; 卡尔曼滤波

&xbsp;&xbsp;&xbsp; 3.2.1&xbsp; 离散卡尔曼滤波

&xbsp;&xbsp;&xbsp; 3.2.2&xbsp; 连续-离散卡尔曼滤波

&xbsp;&xbsp;&xbsp; 3.2.3&xbsp; 卡尔曼平滑

&xbsp; 3.3&xbsp; 非线性滤波的粒子滤波实现

&xbsp;&xbsp;&xbsp; 3.3.1&xbsp; 粒子生成

&xbsp;&xbsp;&xbsp; 3.3.2&xbsp; 粒子滤波递归

&xbsp;&xbsp;&xbsp; 3.3.3&xbsp; 再采样

&xbsp;&xbsp;&xbsp; 3.3.4&xbsp; 扰动目标状态

&xbsp;&xbsp;&xbsp; 3.3.5&xbsp; 收敛性

&xbsp;&xbsp;&xbsp; 3.3.6&xbsp; 奇异子

&xbsp;&xbsp;&xbsp; 3.3.7&xbsp; 多运动模型

&xbsp;&xbsp;&xbsp; 3.3.8&xbsp; 高维状态空间

&xbsp; 3.4&xbsp; 小结

&xbsp; 参考文献

第4章&xbsp; 经典多目标跟踪

&xbsp; 4.1&xbsp; 多目标跟踪

&xbsp;&xbsp;&xbsp; 4.1.1&xbsp; 多目标运动模型

&xbsp;&xbsp;&xbsp; 4.1.2&xbsp; 多目标似然函数

&xbsp;&xbsp;&xbsp; 4.1.3&xbsp; 多目标贝叶斯递归

&xbsp; 4.2&xbsp; 多假设跟踪

&xbsp;&xbsp;&xbsp; 4.2.1&xbsp; 接触

&xbsp;&xbsp;&xbsp; 4.2.2&xbsp; 扫描

&xbsp;&xbsp;&xbsp; 4.2.3&xbsp; 数据关联假设

&xbsp;&xbsp;&xbsp; 4.2.4&xbsp; 扫描和扫描关联假设

&xbsp;&xbsp;&xbsp; 4.2.5&xbsp; 多假设跟踪分解

&xbsp; 4.3&xbsp; du立多假设跟踪

&xbsp;&xbsp;&xbsp; 4.3.1&xbsp; 条件du立关联似然函数

&xbsp;&xbsp;&xbsp; 4.3.2&xbsp; 扫描关联似然函数例子

&xbsp;&xbsp;&xbsp; 4.3.3&xbsp; du立定理

&xbsp;&xbsp;&xbsp; 4.3.4&xbsp; du立MHT递归

&xbsp; 4.4&xbsp; 线性-高斯多假设跟踪

&xbsp;&xbsp;&xbsp; 4.4.1&xbsp; 线性-高斯情况下的MHT递归

&xbsp;&xbsp;&xbsp; 4.4.2&xbsp; 后验分布和关联概率

&xbsp; 4.5&xbsp; 非线性联合概率数据关联

&xbsp;&xbsp;&xbsp; 4.5.1&xbsp; 扫描关联假设

&xbsp;&xbsp;&xbsp; 4.5.2&xbsp; 扫描关联概率

&xbsp;&xbsp;&xbsp; 4.5.3&xbsp; JPDA后验

&xbsp;&xbsp;&xbsp; 4.5.4&xbsp; 允许新目标出现和删除存在目标

&xbsp;&xbsp;&xbsp; 4.5.5&xbsp; 粒子滤波实现

&xbsp;&xbsp;&xbsp; 4.5.6&xbsp; 例子

&xbsp; 4.6&xbsp; 概率多假设跟踪

&xbsp;&xbsp;&xbsp; 4.6.1&xbsp; PMHT假设

&xbsp;&xbsp;&xbsp; 4.6.2&xbsp; 关联上的后验分布

&xbsp;&xbsp;&xbsp; 4.6.3&xbsp; 期望的醉大化

&xbsp;&xbsp;&xbsp; 4.6.4&xbsp; 非线性PMlHT

&xbsp;&xbsp;&xbsp; 4.6.5&xbsp; 线性-高斯PMHT

&xbsp;&xbsp;&xbsp; 4.6.6&xbsp; 式（4.81）的证明

&xbsp; 4.7&xbsp; 小结

&xbsp; 4.8&xbsp; 说明

&xbsp; 参考文献

第5章&xbsp; 多目标强度滤波

&xbsp; 5.1&xbsp; 多目标状态的点过程模型

&xbsp;&xbsp;&xbsp; 5.1.1&xbsp; PPP的基本属性

&xbsp;&xbsp;&xbsp; 5.1.2&xbsp; PPP的概率分布函数

&xbsp;&xbsp;&xbsp; 5.1.3&xbsp; 点过程的叠加

&xbsp;&xbsp;&xbsp; 5.1.4&xbsp; 目标运动过程

&xbsp;&xbsp;&xbsp; 5.1.5&xbsp; 传感器测量过程

&xbsp;&xbsp;&xbsp; 5.1.6&xbsp; 过程稀释

&xbsp;&xbsp;&xbsp; 5.1.7&xbsp; 扩展空间

&xbsp; 5.2&xbsp; iFilter

&xbsp;&xbsp;&xbsp; 5.2.1&xbsp; 扩展状态空间建模

&xbsp;&xbsp;&xbsp; 5.2.2&xbsp; 预测的检测和未检测目标过程

&xbsp;&xbsp;&xbsp; 5.2.3&xbsp; 测量过程

&xbsp;&xbsp;&xbsp; 5.2.4&xbsp; 贝叶斯后验点过程（信息更新）

&xbsp;&xbsp;&xbsp; 5.2.5&xbsp; PPP近似

&xbsp;&xbsp;&xbsp; 5.2.6&xbsp; PPP近似中的相关损失

&xbsp;&xbsp;&xbsp; 5.2.7&xbsp; iFilter滤波

&xbsp;&xbsp;&xbsp; 5.2.8&xbsp; PPP的变换仍为PPP

&xbsp; 5.3&xbsp; PHD滤波

&xbsp; 5.4&xbsp; iFilter的PGF方*

&xbsp;&xbsp;&xbsp; 5.4.1&xbsp; PGF概述

&xbsp;&xbsp;&xbsp; 5.4.2&xbsp; 有限格网上的iFilter

&xbsp;&xbsp;&xbsp; 5.4.3&xbsp; 格网状态和直方数据的联合PGF

&xbsp;&xbsp;&xbsp; 5.4.4&xbsp; 小单元*限

&xbsp; 5.5&xbsp; 扩展目标滤波

&xbsp; 5.6&xbsp; 小结

&xbsp; 5.7&xbsp; 注记

&xbsp;&xbsp;&xbsp; 5.7.1&xbsp; 其他话题

&xbsp;&xbsp;&xbsp; 5.7.2&xbsp; 背景

&xbsp; 参考文献

第6章&xbsp; 使用跟踪生成测量的多目标跟踪

&xbsp; 6.1&xbsp; 醉大后验罚函数跟踪

&xbsp;&xbsp;&xbsp; 6.1.1&xbsp; MAP-PF方程

&xbsp; &xbsp;&xbsp;6.1.2&xbsp; 迭代优化

&xbsp;&xbsp;&xbsp; 6.1.3&xbsp; 算*

&xbsp;&xbsp;&xbsp; 6.1.4&xbsp; 变形

&xbsp; 6.2&xbsp; 粒子滤波实现

&xbsp; 6.3&xbsp; 线性-高斯实现

&xbsp; 6.4&xbsp; 例子

&xbsp;&xbsp;&xbsp; 6.4.1&xbsp; 模型

&xbsp;&xbsp;&xbsp; 6.4.2&xbsp; MAP-PF实现

&xbsp;&xbsp;&xbsp; 6.4.3&xbsp; JDPA实现

&xbsp;&xbsp;&xbsp; 6.4.4&xbsp; 例子zoxg结

&xbsp; 6.5&xbsp; 小结

&xbsp; 6.6&xbsp; 注记

&xbsp; 6.7&xbsp; 传感器阵列观测模型和信号处理

&xbsp;&xbsp;&xbsp; 6.7.1&xbsp; 传感器观测模型

&xbsp;&xbsp;&xbsp; 6.7.2&xbsp; 阵列信号处理

&xbsp;&xbsp;&xbsp; 6.7.3&xbsp; Cramer-Rao限界

&xbsp; 参考文献

第7章&xbsp; 似然比检测和跟踪

&xbsp; 7.1&xbsp; 基本检测和关系

&xbsp;&xbsp;&xbsp; 7.1.1&xbsp; 似然比

&xbsp;&xbsp;&xbsp; 7.1.2&xbsp; 测量似然比

&xbsp; 7.2&xbsp; 似然比递归

&xbsp;&xbsp;&xbsp; 7.2.1&xbsp; 简化似然比递归

&xbsp;&xbsp;&xbsp; 7.2.2&xbsp; 对数似然比

&xbsp; 7.3&xbsp; 声明目标存在

&xbsp;&xbsp;&xbsp; 7.3.1&xbsp; 醉小化贝叶斯风险

&xbsp;&xbsp;&xbsp; 7.3.2&xbsp; 在给定置信度下的目标声明

&xbsp;&xbsp;&xbsp; 7.3.3&xbsp; 声明的奈曼-皮尔逊判据

&xbsp;&xbsp;&xbsp; 7.3.4&xbsp; 检测qiax跟踪

&xbsp; 7.4&xbsp; LRDT低信噪比例子

&xbsp;&xbsp;&xbsp; 7.4.1&xbsp; 简单例子

&xbsp;&xbsp;&xbsp; 7.4.2&xbsp; 潜望镜检测的例子

&xbsp; 7.5&xbsp; 具有高杂波率的阈值数据

&xbsp;&xbsp;&xbsp; 7.5.1&xbsp; 测量和虚警模型

&xbsp;&xbsp;&xbsp; 7.5.2&xbsp; 多基地声纳例子

&xbsp; 7.6&xbsp; 基于格网的实现

&xbsp;&xbsp;&xbsp; 7.6.1&xbsp; 先验似然比

&xbsp;&xbsp;&xbsp; 7.6.2&xbsp; 运动模型

&xbsp;&xbsp;&xbsp; 7.6.3&xbsp; 信息更新

&xbsp; 7.7&xbsp; 使用LRDT进行多目标跟踪

&xbsp;&xbsp;&xbsp; 7.7.1&xbsp; 测量似然比的局部性质

&xbsp;&xbsp;&xbsp; 7.7.2&xbsp; 用做多目标跟踪检测的LRDT

&xbsp; 7.8&xbsp; iLRT

&xbsp;&xbsp;&xbsp; 7.8.1&xbsp; 强度滤波的粒子滤波实现

&xbsp;&xbsp;&xbsp; 7.8.2&xbsp; 目标检测和跟踪估计

 &xbsp;&xbsp;&xbsp;7.8.3&xbsp; 例子

&xbsp; 7.9&xbsp; 小结

&xbsp; 7.10&xbsp; 注记

参考文献

附录&xbsp; 高斯密度引理

&xbsp;

显示全部信息

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆