车联网中数据融合的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 智能交通发展现状 | 第12-14页 |
| 1.2.2 数据融合技术发展现状 | 第14-15页 |
| 1.2.3 智能交通面临的挑战和机遇 | 第15-16页 |
| 1.3 本文研究重点 | 第16-17页 |
| 1.4 论文章节安排 | 第17-19页 |
| 2 车联网数据融合系统框架的分析与设计 | 第19-32页 |
| 2.1 VANET车载自组织网络基本介绍 | 第19-22页 |
| 2.1.1 VANET网络架构 | 第19-21页 |
| 2.1.2 三种通信模式 | 第21-22页 |
| 2.1.3 VANET应用 | 第22页 |
| 2.2 基于VANET广播信息的交通数据 | 第22-26页 |
| 2.2.1 车辆节点周期安全信息 | 第23-24页 |
| 2.2.2 基于群组的消息传输机制 | 第24-26页 |
| 2.3 车联网数据融合系统体系架构分析 | 第26-27页 |
| 2.3.1 基于车联网的交通信息服务需求分析 | 第26-27页 |
| 2.3.2 解决方案 | 第27页 |
| 2.4 基于VANET的数据融合系统研究与设计 | 第27-31页 |
| 2.4.1 数据收集阶段的研究设计 | 第27-29页 |
| 2.4.2 数据处理阶段的研究设计 | 第29页 |
| 2.4.3 数据融合系统设计 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 机器学习在车联网数据融合系统的应用 | 第32-52页 |
| 3.1 车联网大数据融合 | 第32-33页 |
| 3.2 机器学习概述 | 第33-36页 |
| 3.2.1 机器学习介绍 | 第33-35页 |
| 3.2.2 经典机器学习方法比较 | 第35-36页 |
| 3.3 神经网络在交通数据融合的应用 | 第36-45页 |
| 3.3.1 神经网络 | 第37-40页 |
| 3.3.2 问题分析 | 第40-41页 |
| 3.3.3 基于深度学习的数据融合算法 | 第41-45页 |
| 3.4 支持向量机SVM在交通数据融合的应用 | 第45-51页 |
| 3.4.1 支持向量机SVM | 第45-49页 |
| 3.4.2 基于支持向量机的数据融合算法 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 4 基于车联网数据融合的交通服务应用的实例验证 | 第52-66页 |
| 4.1 道路故障自动检测系统 | 第52-54页 |
| 4.2 平台设计 | 第54-57页 |
| 4.2.1 数据来源 | 第54-55页 |
| 4.2.2 数据处理 | 第55-57页 |
| 4.3 故障检测的实验结果分析 | 第57-63页 |
| 4.3.1 基于SVM实现的故障检测 | 第58-61页 |
| 4.3.2 基于DNN实现的故障检测 | 第61-63页 |
| 4.4 故障位置预测的实验结果分析 | 第63-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 结论 | 第66-68页 |
| 5.1 本文所做的主要工作 | 第66-67页 |
| 5.2 未来工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
