目录

第1章绪论

1.1水下目标跟踪技术发展现状

1.2水下无线传感器网络

1.2.1水下无线传感器网络的组成与分类

1.2.2水下无线传感器网络国内外发展现状

1.3技术难点与挑战

1.3.1节点调度

1.3.2量测干扰补偿

1.3.3自适应融合

1.3.4特征辅助跟踪

1.3.5深度强化学习

1.4小结

第2章水下目标跟踪理论基础

2.1随机变量与随机过程

2.1.1随机变量

2.1.2多元随机变量

2.1.3随机过程

2.2估计理论基础

2.2.1参数估计模型

2.2.2极大似然估计与最大后验估计

2.2.3最小二乘估计与最小均方误差估计

2.2.4线性最小均方误差估计

2.2.5估计的方差与均方误差

2.2.6估计的无偏性

2.2.7克拉默拉奥下界与估计的有效性

2.3随机滤波理论

2.3.1卡尔曼滤波

2.3.2扩展卡尔曼滤波

2.3.3无迹卡尔曼滤波

2.3.4粒子滤波

2.4多目标关联理论

2.4.1概率数据关联算法

2.4.2联合概率数据关联算法

2.4.3概率假设密度滤波器

2.5小结

第3章水下目标跟踪中的节点调度理论

3.1基于深度调节的节点调度方法

3.1.1跟踪模型

3.1.2节点深度对跟踪性能的影响

3.1.3基于深度调节的水下目标跟踪算法

3.1.4仿真结果与分析

3.2基于能量分配的节点调度方法

3.2.1跟踪模型

3.2.2能量分配对跟踪性能的影响

3.2.3基于长时能量分配的水下目标跟踪算法

3.2.4仿真结果与分析

3.3基于动态分簇的节点调度方法

3.3.1跟踪模型

3.3.2基于自适应节点选择的动态分簇方法

3.3.3基于动态分簇的水下目标跟踪算法

3.3.4仿真结果与分析

3.4小结

第4章水下目标跟踪中的量测干扰补偿理论

4.1基于自适应修正的量测模型偏差补偿技术

4.1.1跟踪模型

4.1.2量测模型偏差模型

4.1.3基于量测模型偏差补偿的水下目标跟踪算法

4.1.4仿真结果与分析

4.2基于信道估计的量测衰落补偿技术

4.2.1跟踪模型

4.2.2量测衰落模型

4.2.3基于量测衰落补偿的水下目标跟踪算法

4.2.4仿真结果与分析

4.3基于状态增广的量测时延补偿技术

4.3.1跟踪模型

4.3.2量测时延模型

4.3.3基于量测时延补偿的水下目标跟踪算法

4.3.4仿真结果与分析

4.4小结

第5章水下目标跟踪中的自适应融合理论

5.1基于互信息的自适应融合方法

5.1.1跟踪模型

5.1.2基于互信息的量测价值评估

5.1.3基于互信息融合的水下目标跟踪算法

5.1.4仿真结果与分析

5.2基于最优量化界的自适应融合方法

5.2.1跟踪模型

5.2.2基于最优量化界的量测价值评估

5.2.3基于最优量化界的水下目标跟踪算法

5.2.4仿真结果与分析

5.3基于虚拟量测的自适应融合方法

5.3.1跟踪模型

5.3.2基于量测残差的量测价值评估

5.3.3基于虚拟量测的水下目标跟踪算法

5.3.4仿真结果与分析

5.4小结

第6章基于特征辅助的水下多目标跟踪理论

6.1基于频率特征辅助JPDA的多目标跟踪方法

6.1.1跟踪模型

6.1.2特征辅助初状态估计算法

6.1.3基于频率特征辅助JPDA的水下多目标跟踪算法

6.1.4仿真结果与分析

6.2基于频率特征辅助GMPHD的多目标跟踪方法

6.2.1跟踪模型

6.2.2特征辅助量测筛选算法

6.2.3基于频率特征辅助GMPHD的水下多目标跟踪算法

6.2.4仿真结果与分析

6.3基于声强特征辅助多模型的目标跟踪方法

6.3.1跟踪模型

6.3.2特征辅助多模型切换算法

6.3.3基于声强特征辅助多模型的水下目标跟踪算法

6.3.4仿真结果与分析

6.4小结

第7章基于深度强化学习的水下目标跟踪理论

7.1基于深度强化学习的节点调度方法

7.1.1跟踪模型

7.1.2基于深度强化学习的水下多节点调度

7.1.3仿真结果与分析

7.2基于深度强化学习的纯方位目标运动分析方法

7.2.1跟踪模型

7.2.2基于纯方位信息的最大似然估计

7.2.3基于深度强化学习的最大似然估计算法

7.2.4仿真结果与分析

7.3基于注意力机制的目标跟踪方法

7.3.1跟踪模型

7.3.2基于注意力机制的水下目标跟踪算法

7.3.3仿真结果与分析

7.4基于深度强化学习的自适应融合方法

7.4.1跟踪模型

7.4.2基于深度强化学习的水下多节点融合

7.4.3仿真结果与分析

7.5小结

参考文献

附录A缩略语（中英文对照）