文档介绍：摘要交通流检测是智能交通系统的重要组成部分,它是将各种传感器检测到的信息汇总数据处理技术研究的一个重点。近年来,人们应用各种方法对交通流参数进行检测,如:神经网络算法、霾呃砺邸⒆ḿ蚁低场⒁糯惴ā滤波等,并取得了一定本文以环形检测线圈为例,对基于信息融合的交通流检测的方法进行了研究,主要诙猿邓俳屑觳獾墓讨校A私徊教岣叱邓偌觳獾淖既沸裕诮惺据融合之前采用分布图法检测法和基于相容矩阵的失效数据剔除方法两种方法对数据的有效性进行检测。阐述了加权平均算法检测车速的基本原理,分析了最小均方差加权平均算法和自适应加权平均算法的优缺点,通过对比仿真实验验证加权平均算法检测车速的准确性。荼匆端估砺酃兰平煌髁康男枰#⒔煌鞯氖P停⒁源宋;论两种算法对交通流分布情况进行研究。对两种算法做了对比分析,突出了在风险损失系数不同的情况下,贝叶斯风险决策理论在检测车流量中表现的良好特性,说明了决策A讼菁觳夤讨幸爸档母扇牛岣咴げ饩ǘ龋谟τ每ǘ瞬ɡ论对车辆的排队长度进行预测的基础上,提出了基于兰评砺鄣目挂爸档目ǘ波预测方法,通过仿真实验说明其具有较强的鲁棒性。本文在仿真生成的流量数据和车速数据的基础上,对上述方法的有效性进行了验关键词:交通流参数;数据融合;加权平均:贝叶斯估计;卡尔曼滤波得到实时准确的交通流数据,.送给智能交通控制中心,使其发出相应的指令,从而实现智能控制的目标。交通流检测技术已从单一传感器处理系统发展成为多传感器处理系统,将多种类型的传感器进行优化配置,性能互补。如何提高数据处理的精度和可靠性正是当今交通流的成果。本文提出了基于信息融合算法对交通流参数进行检测和预测。该融合检测和预测算法与传统的检测和预测方法相比,既不是单一的数据检测、预测方法的运用,也不是对单一检测数据的使用,更不是对这些方法和数据的简单组合,而是包括从拓展数据到选择有效检测方法,再到方法和数据的融合。该算法一方面提高了预测的准确性,另一方面提高了预测的鲁棒性。包括以下几个方面:础分别使用基于贝叶斯参数估计理论检测交通流分布的算法和基于贝叶斯风险决策理的合理性。证。硕士学位论文
知识水坝***@pologoogle为您整理
伽韉衄譸猢栅,籥∞,确篸╥辴吨位岫玥姐⒊〦魀Ⅲ鰐絚,∞鑕こ鷇;佃鏾蚰嘶,祄蓿誩辴鰉膃辴纭辴他她皿鮡鐱∞辴蒳琲噦辵、Ⅳ勋閠锄齮朗鷒锄糲糴锄如∞.锄’锄蟚鷇甇齞’譭鷇,∞巧,觚施誳瓸禷閏辴鮠瓸塔,,勰鑔琯瑆⑽鰐阛琽辒玜鮡膃韔鮡【—,琫丘琤,也.:Ⅱ
知识水坝***@pologoogle为您整理
吡鷈璐;.;勋柚印卸锄篢笳;:Ⅲ
插图索引图各传感器相互支持情况⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图环形线圈检测器原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图线圈检测器工作原理⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯..图线圈检测器检测车速原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图预测排队长度时检测器安放位置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图交通流检测器安装示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..珺区域分布情况⋯..:⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯五和√厥庵凳眃;,和5娜≈怠图数据融合结构示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图加权平均仿真实验流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图加权平均自适应过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯‘⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图尤ㄆ骄允视谭抡娼峁肌骸图错误概率示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图泊松分布交通流参数估计流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图二项式分布交通流参数估计流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图泊松分布和二项式分布的实际车流辆⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图估计车辆数和估计车辆数的偏差⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯图负二项式分布的实际车流辆⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图负二项式分布的估计车流辆⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图负二项式分布的估计车流辆偏差⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图贝叶斯风险决策程序流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图导食盗臼图兰瞥盗臼捌ú睢图最优递推估计值器的信号和观测模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图标量卡尔曼滤波器结构⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯..图最优一步预测及滤波器⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图向量卡尔曼滤波器结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯图增益矩阵的计算流程⋯⋯⋯⋯⋯⋯⋯⋯⋯..:⋯⋯⋯⋯.图抗野值卡尔曼滤波仿真结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图总体流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图车速实际值与融合值⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图车流量实际值与融合值⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图排队长度预测