| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-31页 |
| ·研究背景及意义 | 第12-14页 |
| ·信息融合概述 | 第14-19页 |
| ·信息融合的提出 | 第14页 |
| ·信息融合研究进展 | 第14-17页 |
| ·信息融合研究存在的问题 | 第17-19页 |
| ·交通信息采集方法概述 | 第19-25页 |
| ·交通信息分类 | 第19页 |
| ·交通信息自动采集方法 | 第19-25页 |
| ·车辆检测器技术 | 第19-24页 |
| ·车辆定位技术 | 第24-25页 |
| ·自动车辆识别技术 | 第25页 |
| ·本文主要研究工作和内容安排 | 第25-27页 |
| 参考文献 | 第27-31页 |
| 第二章 信息融合技术的理论基础研究 | 第31-51页 |
| ·引言 | 第31页 |
| ·信息融合的融合层次 | 第31-32页 |
| ·信息融合的功能模型 | 第32-35页 |
| ·JDL模型 | 第32-33页 |
| ·Dasarathy模型 | 第33-35页 |
| ·信息融合的结构模型 | 第35-37页 |
| ·信息融合的数学模型 | 第37-48页 |
| ·概率理论 | 第37-41页 |
| ·Bayes估计 | 第37-39页 |
| ·Kalman滤波 | 第39-41页 |
| ·证据理论 | 第41-42页 |
| ·证据理论的基本概念 | 第41-42页 |
| ·证据理论的组合规则 | 第42页 |
| ·粗糙集理论 | 第42-46页 |
| ·知识与分类 | 第43页 |
| ·粗糙集的描述 | 第43-44页 |
| ·知识的约简 | 第44-46页 |
| ·模糊理论 | 第46-47页 |
| ·模糊理论的基本概念 | 第46-47页 |
| ·模糊推理 | 第47页 |
| ·神经网络 | 第47-48页 |
| ·比较与分析 | 第48页 |
| ·本章小结 | 第48-49页 |
| 参考文献 | 第49-51页 |
| 第三章 基于FCD的城市道路交通信息采集研究 | 第51-67页 |
| ·引言 | 第51页 |
| ·基于FCD的移动型交通检测器 | 第51-53页 |
| ·基于FCD的车流速度估计算法 | 第53-59页 |
| ·基于弧段Dijkstra的路径寻优算法 | 第55-57页 |
| ·车流速度估计算法 | 第57-59页 |
| ·实验结果及讨论 | 第59-62页 |
| ·路面跑车实验结果 | 第59页 |
| ·问题及讨论 | 第59-62页 |
| ·浮动车样本数量选取的问题 | 第59-60页 |
| ·移动检测器GPS数据采集频率确定的问题 | 第60-61页 |
| ·移动检测器类型单一的问题 | 第61页 |
| ·GPS数据缺失问题 | 第61-62页 |
| ·应用实例:基于FCD的宁波市城市道路交通信息采集与服务系统 | 第62页 |
| ·本章小结 | 第62-65页 |
| 参考文献 | 第65-67页 |
| 第四章 基于证据理论和Kalman滤波的交通信息融合研究 | 第67-90页 |
| ·引言 | 第67-68页 |
| ·GPS/DR/MM/BB组合导航信息融合 | 第68-74页 |
| ·BB传感器定位原理 | 第69页 |
| ·GPS/DR/MM/BB组合导航原理 | 第69页 |
| ·组合导航信息融合算法研究 | 第69-74页 |
| ·联合Kalman滤波算法 | 第71-73页 |
| ·GPS/DR联合Kalman滤波器设计 | 第73-74页 |
| ·信息分配因子的自适应 | 第74页 |
| ·基于证据理论和LS-SVM的交通信息融合算法 | 第74-86页 |
| ·流量-速度关系曲线 | 第75-77页 |
| ·流量-速度关联矩阵计算 | 第77-78页 |
| ·LS-SVM回归 | 第78-82页 |
| ·LS-SVM回归算法 | 第78-80页 |
| ·加权LS-SVM | 第80-81页 |
| ·基于LS-SVM回归的流量-速度关系曲线 | 第81-82页 |
| ·基于D-S证据理论和LS-SVM的交通信息融合算法 | 第82-84页 |
| ·实验结果及分析 | 第84-86页 |
| ·数据源 | 第84-85页 |
| ·实验方法 | 第85页 |
| ·路面跑车实验结果 | 第85-86页 |
| ·本章小结 | 第86-87页 |
| 参考文献 | 第87-90页 |
| 第五章 基于RBF神经网络的交通信息融合预测研究 | 第90-108页 |
| ·引言 | 第90-91页 |
| ·RBF神经网络 | 第91-93页 |
| ·RBFNN模型 | 第91-92页 |
| ·RBFNN学习算法 | 第92-93页 |
| ·基于GGA的RBFNN学习算法 | 第93-99页 |
| ·RBFNN的遗传优化 | 第94-97页 |
| ·染色体编码 | 第95页 |
| ·适应度函数构造 | 第95-96页 |
| ·遗传算子的设计 | 第96页 |
| ·控制参数的选取 | 第96-97页 |
| ·梯度下降算法 | 第97-98页 |
| ·基于GGA的RBFNN学习算法 | 第98-99页 |
| ·基于时间相关和空间相关的RBFNN交通信息融合预测模型 | 第99-104页 |
| ·RBFNN融合预测模型 | 第99-100页 |
| ·RBFNN融合预测模型在交通信息预测中的应用 | 第100-104页 |
| ·问题及讨论 | 第104页 |
| ·本章小结 | 第104-105页 |
| 参考文献 | 第105-108页 |
| 第六章 总结与展望 | 第108-112页 |
| ·主要工作与创新 | 第108-109页 |
| ·进一步研究的方向 | 第109-112页 |
| 攻读博士学位期间发表的论文及参加的项目 | 第112-114页 |
| 致谢 | 第114页 |
