基于多源传感器数据融合的车型识别研究与应用
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 选题背景及研究意义 | 第8-11页 |
| 1.1.1 课题来源及内容 | 第8-10页 |
| 1.1.2 课题的意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文主要内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 相关理论与技术 | 第15-21页 |
| 2.1 车辆检测传感器 | 第15-16页 |
| 2.1.1 环形线圈传感器 | 第15页 |
| 2.1.2 地磁传感器 | 第15-16页 |
| 2.1.3 视频检测传感器 | 第16页 |
| 2.2 多传感器数据融合技术 | 第16-20页 |
| 2.2.1 数据融合的定义 | 第16-17页 |
| 2.2.2 数据融合的层次结构 | 第17-18页 |
| 2.2.3 数据融合算法 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 相关向量机分类应用以及改进 | 第21-35页 |
| 3.1 RVM的分类模型 | 第21-27页 |
| 3.1.1 RVM分类基本原理 | 第21-23页 |
| 3.1.2 RVM多分类算法 | 第23-25页 |
| 3.1.3 RVM与SVM的比较 | 第25-27页 |
| 3.2 RVM中核函数的选择 | 第27-29页 |
| 3.2.1 核函数概述 | 第27-28页 |
| 3.2.2 常用的核函数 | 第28-29页 |
| 3.2.3 核函数的选择 | 第29页 |
| 3.3 基于混合核函数的RVM及其参数优化 | 第29-34页 |
| 3.3.1 MKRVM模型 | 第29-30页 |
| 3.3.2 MKRVM的参数优化 | 第30-31页 |
| 3.3.3 MKRVM模型分类仿真实验 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 车辆感知节点的分析与设计 | 第35-44页 |
| 4.1 车辆感知节点的总体设计 | 第35-41页 |
| 4.1.1 感知节点硬件设计 | 第36-38页 |
| 4.1.2 感知节点软件设计 | 第38-41页 |
| 4.2 车辆感知节点的时空对准设计 | 第41-43页 |
| 4.2.1 时间对准 | 第41-42页 |
| 4.2.2 空间对准 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 基于多传感器数据融合的车型识别应用 | 第44-52页 |
| 5.1 车型分类标准 | 第44页 |
| 5.2 数据采集 | 第44-46页 |
| 5.3 特征提取与融合 | 第46-49页 |
| 5.3.1 特征提取 | 第46-49页 |
| 5.3.2 特征融合 | 第49页 |
| 5.4 实验结果与分析 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间的研究成果 | 第59页 |
