| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 符号对照表 | 第14-22页 |
| 第一章 概述 | 第22-30页 |
| 1.1 选题背景及研究意义 | 第22-24页 |
| 1.2 国内外研究现状 | 第24-26页 |
| 1.3 本文研究内容及结构安排 | 第26-29页 |
| 1.4 本文研究的创新点 | 第29-30页 |
| 第二章 多传感器信息融合理论 | 第30-54页 |
| 2.1 信息融合的基本概念 | 第30-33页 |
| 2.2 多传感器信息融合的结构模型 | 第33-38页 |
| 2.2.1 时间性和空间性 | 第33页 |
| 2.2.2 信息融合的结构形式 | 第33-35页 |
| 2.2.3 信息融合的层次 | 第35-38页 |
| 2.3 多传感器信息融合算法 | 第38-54页 |
| 2.3.1 Bayes估计 | 第38-41页 |
| 2.3.2 卡尔曼滤波 | 第41-45页 |
| 2.3.3 产生式规则 | 第45-46页 |
| 2.3.4 相关算法 | 第46-54页 |
| 第三章 超限检测系统的组成及工作原理 | 第54-70页 |
| 3.1 系统组成结构 | 第54-56页 |
| 3.2 系统工作原理 | 第56-58页 |
| 3.3 系统各部分结构及原理 | 第58-70页 |
| 3.3.1 动态称重子系统 | 第58-60页 |
| 3.3.2 车辆分离子系统 | 第60-62页 |
| 3.3.3 车型识别子系统 | 第62-64页 |
| 3.3.4 速度及宽高检测子系统 | 第64-68页 |
| 3.3.5 计算机管理子系统 | 第68-70页 |
| 第四章 多传感器信息融合技术及应用 | 第70-102页 |
| 4.1 Bayes估计称重数据判别 | 第70-75页 |
| 4.1.1 基于Bayes估计的动态汽车衡分时段数据融合方法 | 第70-71页 |
| 4.1.2 置信距离 | 第71-73页 |
| 4.1.3 最佳融合数据的选择 | 第73页 |
| 4.1.4 基于Bayes估计的融合计算方法 | 第73-75页 |
| 4.2 卡尔曼滤波用于称重数据优化 | 第75-78页 |
| 4.2.1 卡尔曼滤波算法流程 | 第75-77页 |
| 4.2.2 卡尔曼滤波试验步骤 | 第77-78页 |
| 4.3 基于产生式规则的车型识别设计 | 第78-94页 |
| 4.3.1 推理规则库的设计 | 第78-87页 |
| 4.3.2 软件实现 | 第87-94页 |
| 4.4 相关算法在测速中的应用 | 第94-102页 |
| 4.4.1 相关信号的获取 | 第94-95页 |
| 4.4.2 互相关算法的实际应用 | 第95-97页 |
| 4.4.3 互相关算法测速仿真与分析 | 第97-102页 |
| 第五章 实验结果及数据 | 第102-122页 |
| 5.1 Bayes估计实验数据及结果分析 | 第102-108页 |
| 5.1.1 汽车实际称重波形分析 | 第102-105页 |
| 5.1.2 数据选取 | 第105-107页 |
| 5.1.3 实验数据及结果 | 第107-108页 |
| 5.2 卡尔曼滤波试验结果分析 | 第108-111页 |
| 5.3 轴型识别实验结果 | 第111-114页 |
| 5.4 互相关算法波形及分析 | 第114-122页 |
| 第六章 总结与展望 | 第122-124页 |
| 6.1 总结 | 第122-123页 |
| 6.2 展望 | 第123-124页 |
| 参考文献 | 第124-136页 |
| 致谢 | 第136-138页 |
| 攻读博士学位期间发表的论文 | 第138-140页 |
| 攻读博士学位期间获得的科研成果 | 第140-142页 |
| 攻读博士学位期间主持的科研项目 | 第142页 |