由陈金广著作的《目标跟踪系统中的滤波方法》共分10章。第1章介绍了滤波方法在目标跟踪系统中的地位和作用，以及滤波方法的研究进展和评价标准。第2章对卡尔曼滤波和与卡尔曼滤波相关的非线性滤波算法做了论述。第3章介绍粒子滤波，包括序贯重要性重采样粒子滤波、辅助粒子滤波、正则化粒子滤波、扩展卡尔曼粒子滤波、高斯和粒子滤波、边缘粒子滤波等。第4章论述等式状态约束条件下的滤波算法，提出了一种线性等式状态约束条件下的粒子滤波算法和一种迭代收缩非线性状态约束条件下的滤波算法。第5章讨论自适应卡尔曼滤波，提出了一种双重迭代变分贝叶斯自适应卡尔曼滤波算法及其融合方法。第6章讨论无序量测条件下的滤波方法，提出了一种基于不敏变换的无序量测融合算法。第7章讨论网络丢包条件下的滤波方法，提出了一种非线性系统中具有丢包情况的滤波方法。第8章研究各类非线性滤波RTs平滑算法，并在此基础上提出了一种RTs分段融合方法。第9章介绍了几种非线性滤波算法在目标跟踪系统中的应用实例。第10章是相关的数学预备知识，内容涉及向量和矩阵、随机变量、随机向量和随机过程。

由陈金广著作的《目标跟踪系统中的滤波方法》内容属于信息融合研究领域。针对多条件下目标跟踪系统中的滤波方法，本书结合近年来国内外研究热点进行论述，内容较为新颖。具体内容包括：卡尔曼滤波和非线性系统滤波、粒子滤波、等式状态约束条件下的滤波、自适应卡尔曼滤波及其融合、无序量测条件下的滤波、网络丢包条件下的滤波、RTS平滑及其分段融合以及非线性滤波算法在目标跟踪中的应用等。

《目标跟踪系统中的滤波方法》可供电子信息、自动化、计算机应用、控制科学与工程、信号处理、导航与制导等相关专业高年级本科生和研究生，以及相关领域的工程技术人员和研究人员参考。

第1章 绪论

 1．1滤波方法在目标跟踪系统中的地位和作用

 1．2状态估计和融合方法的研究进展及现状

 1．2．1信息融合技术

 1．2．2目标跟踪技术

 1．2．3状态估计技术

 1．2．4估计融合技术

 1．3 目标跟踪滤波性能评价准则

1．3．1单目标跟踪滤波性能评价准则

1．3．2多目标跟踪滤波性能评价准则

1．3．3时间复杂度评价准则

 1．4本书内容安排

 参考文献

第2章 卡尔曼滤波和非线性系统滤波方法

 2．1 引言

 2．2卡尔曼滤波算法

2．2．1状态空间模型

2．2．2最优滤波方程

2．2．3卡尔曼滤波

 2．3扩展卡尔曼滤波算法

2．3．1泰勒级数展开

2．3．2扩展卡尔曼滤波

 2．4不敏卡尔曼滤波算法

2．4．1 不敏变换

2．4．2不敏卡尔曼滤波

 2．5积分卡尔曼滤波算法

2．5．1高斯厄米特积分准则

2．5．2积分卡尔曼滤波

 2．6容积卡尔曼滤波算法

2．6．1球面径向规则

2．6．2容积卡尔曼滤波

 2．7傅立叶厄米特卡尔曼滤波算法

2．7．1傅立叶厄米特级数展开

2．7．2傅立叶厄米特卡尔曼滤波

 2．8中心差分卡尔曼滤波算法

2．8．1 Stirling插值公式

2．8．2中心差分逼近

2．8．3 中心差分卡尔曼滤波

 2．9小结

 参考文献

第3章 粒子滤波方法

 3．1 引言

 3．2贝叶斯滤波

 3．3贝叶斯重要性采样

 3．4序贯重要性重采样粒子滤波算法

3．4．1序贯重要性采样

3．4．2序贯重要性采样问题及策略

3．4．3序贯重要性重采样粒子滤波算法步骤

 3．5 马尔可夫链蒙特卡罗粒子滤波算法

3．5．1蒙特卡罗方法

3．5．2 Gibbs采样

3．5．3 Metropolis算法

3．5．4 马尔可夫链蒙特卡罗粒子滤波算法步骤

 3．6辅助粒子滤波算法

 3．7正则化粒子滤波算法

 3．8边缘粒子滤波算法

3．8．1问题描述

3．8．2边缘粒子滤波算法步骤

3．8．3 Model 1：对角模型

3．8．4 Model 2：三角模型

3．8．5 Model 3：一般模型

 3．9扩展卡尔曼粒子滤波算法

 3．9．1局部线性化

 3．9．2扩展卡尔曼粒子滤波算法步骤

 3．10高斯和粒子滤波算法

3．10．1 问题描述

3．10．2高斯噪声条件下的高斯和粒子滤波算法

3．10．3非高斯噪声与高斯混合模型

3．10．4非高斯噪声条件下的高斯和粒子滤波算法

 3．1l小结

 参考文献

第4章 等式状态约束条件下的滤波方法

 4．1 引言

 4．2线性状态约束方法

4．2．1模型降阶

4．2．2最佳量测

4．2．3估计投影

4．2．4具有不等式约束的估计投影

4．2．5增益投影

4．2．6概率密度函数截断

4．2．7系统投影

4．2．8软约束

4．2．9仿真实验

 4．3非线性状态约束方法

4．3．1二阶项展开

4．3．2平滑约束卡尔曼滤波

4．3．3水平滑动估计

4．3．4不敏卡尔曼滤波

4．3．5 内点方法

4．3．6粒子滤波方法

 4．4线性等式状态约束条件下的粒子滤波算法

4．4．1问题描述

4．4．2算法描述及步骤

4．4．3仿真实验及结果分析

 4．5非线性等式状态约束条件下的滤波算法

4．5．1 问题描述

4．5．2基于uT变换的最佳量测值方法

4．5．3基点误差降低方法

4．5．4仿真实验及结果分析

 4．6小结

 参考文献

第5章 自适应卡尔曼滤波及融合方法 

 5．1 引言

 5．2扩展遗忘因子递推最小二乘算法

5．2．1 问题描述

5．2．2扩展递推最小二乘算法

5．2．3扩展遗忘因子递推最小二乘算法

 5．3 变分贝叶斯自适应卡尔曼滤波算法

5．3．1 问题描述

5．3．2基于变分贝叶斯近似的自适应卡尔曼滤波·

 5．4 双重迭代的VB—AKF算法

 5．4．1算法过程

 5．4．2仿真实验及结果分析

5．5基于VB—AKF的集中式融合方法

5．5．1 基于VB—AKF的扩维集中式融合算法

5．5．2 基于VB—AKF的序贯集中式融合算法

5．5．3对一些参数初始化的讨论

5．5．4仿真实验及结果分析

 5．6小结

 参考文献

第6章 无序量测条件下的滤波方法

 6．1 引言

 6．2问题描述

 6．3单步滞后无序量测算法

6．3．1 回溯状态

6．3．2 具有无序量测状态估计的最优更新过程

6．3．3 A1算法 

6．3．4次优算法B1和C1

6．3．5 B1和C1算法的均方误差

 6．4基于UT变换的单步滞后无序量测算法

6．4．1 用UT变换解决单步滞后OOSM 

6．4．2单步滞后OOSM多传感器量测融合方法

 6．5仿真实验及结果分析

6．5．1实验模型

6．5．2仿真结果及分析

 6．6小结

 参考文献

第7章 网络丢包条件下的滤波方法

 7．1 引言

 7．2 噪声不相关时不变系统中网络丢包条件下的滤波算法

7．2．1问题描述

7．2．2算法推导及过程

 7．3 噪声相关时变系统中网络丢包条件下的滤波算法

7．3．1问题描述

7．3．2算法推导及过程

 7．4非线性系统中网络丢包条件下的滤波算法

7．4．1 问题描述

7．4．2算法推导及过程

7．4．3仿真实验及结果分析

 7．5小结

 参考文献

第8章 RTs平滑及分段融合方法

 8．1 引言

 8．2 RTS平滑算法

8．2．1卡尔曼滤波RTS平滑

8．2．2高斯RTs平滑算法的通用形式 

8．2．3不敏卡尔曼滤波RTS平滑 

8．2．4高斯厄米特RTS平滑算法

8．2．5容积卡尔曼滤波RTS平滑

 8．3基于分段RTs平滑的凸组合航迹融合算法 

8．3．1分段RTS平滑算法

8．3．2算法描述及分析

8．3．3仿真实验及结果分析

 8．4小结

 参考文献

第9章 非线性滤波算法在目标跟踪中的应用

 9．1 基于高斯粒子滤波的机载GMTI雷达跟踪

9．1．1概述

9．1．2机载GMTI雷达

9．1．3算法描述及步骤

9．1．4仿真实验及结果分析

 9．2基于边缘粒子滤波的目标跟踪算法

9．2．1概述

9．2．2问题描述

9．2．3算法描述及步骤

9．2．4仿真实验及结果分析

 9．3基于求积分卡尔曼滤波的交互式多模型算法

9．3．1概述

9．3．2求积分卡尔曼滤波

9．3．3算法描述及步骤

9．3．4仿真实验及结果分析

 9．4小结

 参考文献

第10章 数学预备知识

 10．1向量和矩阵

10．1．1 向量的有关概念

10．1．2矩阵运算

10．1．3矩阵的特征值与特征向量

10．1．4逆矩阵

 10．1．5矩阵求逆引理

 10．1．6正定矩阵和半正定矩阵

 10．1．7矩阵的奇异值分解

 10．1．8 向量与矩阵的微分运算

 10．1．9雅可比矩阵和Hessian矩阵

 10．2 随机变量、随机向量和随机过程

  10．2．1 随机变量的函数及其分布

  10．2．2随机变量的数字特征

  10．2．3 随机向量

  10．2．4多元高斯分布

  10．2．5 随机过程

参考文献