基于信息融合的交通流检测方法的研究
| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-17页 |
| ·课题背景与意义 | 第12-13页 |
| ·课题研究现状 | 第13-14页 |
| ·国外研究现状 | 第13页 |
| ·国内研究现状 | 第13-14页 |
| ·基于信息融合的交通流检测的研究 | 第14-15页 |
| ·本文主要的研究内容及组织结构 | 第15-17页 |
| 第2章 交通流基本理论 | 第17-27页 |
| ·交通流检测器 | 第17-20页 |
| ·检测器分类 | 第17-19页 |
| ·交通检测技术的发展方向 | 第19-20页 |
| ·交通流参数 | 第20-23页 |
| ·车流量 | 第20-21页 |
| ·车速 | 第21-22页 |
| ·交通流密度 | 第22页 |
| ·排队长度 | 第22-23页 |
| ·交通流的数学模型 | 第23-26页 |
| ·泊松分布 | 第23-24页 |
| ·二项分布 | 第24-25页 |
| ·负二项式分布 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于加权平均的车速检测 | 第27-39页 |
| ·车速信息的采集 | 第27页 |
| ·数据的一致性检验 | 第27-30页 |
| ·分布图法 | 第27-28页 |
| ·基于相容矩阵的失效数据剔除方法 | 第28-30页 |
| ·数据的加权融合方法 | 第30-34页 |
| ·最小方差加权平均 | 第31-32页 |
| ·Matlab仿真及结果分析 | 第32-34页 |
| ·基于自适应加权平均的车速检测的研究 | 第34-37页 |
| ·自适应加权平均 | 第34-35页 |
| ·仿真及结果分析 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第4章 基于贝叶斯估计理论的车流量检测 | 第39-54页 |
| ·贝叶斯估计基本理论 | 第39-40页 |
| ·贝叶斯参数估计融合算法 | 第40-45页 |
| ·车流量服从泊松分布 | 第41-42页 |
| ·车流量服从二项式分布 | 第42-44页 |
| ·车流量服从负二项式分布 | 第44-45页 |
| ·基于最小风险的贝叶斯决策交通流检测 | 第45-49页 |
| ·最小风险的贝叶斯决策 | 第45-48页 |
| ·贝叶斯决策理论在交通流检测中的应用 | 第48-49页 |
| ·仿真及结果分析 | 第49-53页 |
| ·贝叶斯参数估计的仿真分析 | 第49-51页 |
| ·贝叶斯风险估计的仿真分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 基于卡尔曼滤波的排队长度预测 | 第54-63页 |
| ·标量卡尔曼滤波器 | 第54-57页 |
| ·卡尔曼滤波模型 | 第54-55页 |
| ·标量卡尔曼滤波器 | 第55页 |
| ·标量卡尔曼预测器 | 第55-57页 |
| ·向量卡尔曼预测器 | 第57-58页 |
| ·向量卡尔曼滤波器 | 第57页 |
| ·向量卡尔曼预测器 | 第57-58页 |
| ·基于卡尔曼滤波预测排队长度估计 | 第58-61页 |
| ·卡尔曼滤波排队长度模型 | 第58-59页 |
| ·观测值中野值的判别 | 第59-60页 |
| ·新息修正的卡尔曼滤波 | 第60-61页 |
| ·仿真分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第6章 基于信息融合交通流检测总体结构 | 第63-67页 |
| ·基于信息融合交通流检测总体结构 | 第63-64页 |
| ·基于信息融合交通流检测概述 | 第63页 |
| ·总体流程图 | 第63-64页 |
| ·用户界面及仿真结果分析 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 附录: 发表的学术论文目录 | 第75页 |
