| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 信息融合的定义 | 第13页 |
| 1.2.2 信息融合技术的发展历史与研究现状 | 第13-15页 |
| 1.3 信息融合技术的应用 | 第15-16页 |
| 1.3.1 军事应用 | 第15页 |
| 1.3.2 其他应用 | 第15-16页 |
| 1.4 主要研究内容及框架 | 第16-19页 |
| 1.4.1 主要研究内容 | 第16-17页 |
| 1.4.2 论文结构框架 | 第17-19页 |
| 2 交通流数据采集方法及特性分析 | 第19-34页 |
| 2.1 动态交通流数据采集方式 | 第19-26页 |
| 2.1.1 固定式检测器技术 | 第19-23页 |
| 2.1.2 浮动车交通信息检测系统 | 第23-25页 |
| 2.1.3 多源交通检测技术对比分析 | 第25-26页 |
| 2.2 城市快速路交通流特性分析 | 第26-30页 |
| 2.2.1 速度特性分析 | 第26-28页 |
| 2.2.2 交通流量特性分析 | 第28-29页 |
| 2.2.3 占有率特性分析 | 第29-30页 |
| 2.3 交通流三参数模型 | 第30-33页 |
| 2.3.1 速度-密度模型 | 第30-31页 |
| 2.3.2 流量-密度模型 | 第31-33页 |
| 2.3.3 速度-流量模型 | 第33页 |
| 2.4 小结 | 第33-34页 |
| 3 多源检测器数据融合方法 | 第34-39页 |
| 3.1 多源数据融合分类 | 第34页 |
| 3.2 经典统计和推理方法 | 第34-35页 |
| 3.2.1 Bayes估计 | 第34-35页 |
| 3.2.2 D-S证据推理 | 第35页 |
| 3.3 人工智能方法 | 第35-38页 |
| 3.3.1 模糊逻辑系统 | 第35-36页 |
| 3.3.2 BP神经网络 | 第36-38页 |
| 3.4 小结 | 第38-39页 |
| 4 研究范围的选取及数据预处理 | 第39-52页 |
| 4.1 数据范围选取 | 第39-40页 |
| 4.1.1 数据源说明 | 第39页 |
| 4.1.2 研究范围的确定 | 第39-40页 |
| 4.2 卡尔曼滤波噪声处理 | 第40-42页 |
| 4.3 错误数据的识别 | 第42-43页 |
| 4.4 异常数据的修复 | 第43-51页 |
| 4.4.1 浮动车数据的修复 | 第44页 |
| 4.4.2 基于RBF神经网络曲面重构微波数据的修复 | 第44-51页 |
| 4.5 小结 | 第51-52页 |
| 5 多源检测器区间速度融合模型的构建及应用 | 第52-69页 |
| 5.1 基于自适应网络模糊推理系统的融合方法 | 第52-61页 |
| 5.1.1 基本原理 | 第52-55页 |
| 5.1.2 基于ANFIS的速度数据融合 | 第55-59页 |
| 5.1.3 融合模型评价 | 第59-61页 |
| 5.2 遗传算法优化的BP神经网络模型 | 第61-67页 |
| 5.2.1 基本思想 | 第61-63页 |
| 5.2.2 网络设计 | 第63-64页 |
| 5.2.3 融合算法实现 | 第64-66页 |
| 5.2.4 模型应用及评价 | 第66-67页 |
| 5.3 模型总结 | 第67-68页 |
| 5.4 小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 论文主要结论 | 第69页 |
| 6.2 研究展望与建议 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 附录A | 第74-79页 |
| 附录B | 第79-85页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第85-87页 |
| 学位论文数据集 | 第87页 |