交通信息采集與處理技術(shù)概述-資料下載頁(yè)
2025-02-19 12:51本頁(yè)面
【正文】 故 ” ，對(duì)應(yīng)于 4個(gè) 數(shù)值區(qū)間 。 第三級(jí) 又稱 決策級(jí) ， 是直接針對(duì)具體 決策目標(biāo) 的 最終結(jié)果 。 交通信息融合技術(shù)的應(yīng)用 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 信息融合技術(shù)的三個(gè)層次均有自己不同的應(yīng)用 。 而 信息融合 本身作為一種 數(shù)據(jù)處理技術(shù) ， 涉及到許多學(xué)科和技術(shù)的應(yīng)用 。 下面簡(jiǎn)要介紹幾種 信息融合 的方法 。 智能運(yùn)輸系統(tǒng)概論 交通信息融合方法 大致分為 兩 大類： 概率統(tǒng)計(jì)方法 和人工智能方法 。 人工智能方法 又分為 兩 種： 邏輯推理 方法和 學(xué)習(xí) 方法 。與 概率統(tǒng)計(jì) 有關(guān)的方法包括： 估計(jì)理論 、 卡爾曼濾波 、 假設(shè)檢驗(yàn) 、 貝葉斯方法 、 統(tǒng)計(jì)決策理論 以及其他 變形 的方法 。概率統(tǒng)計(jì) 方法可以在融合的 各個(gè)層次 上使用 。 常用的 邏輯推理 方法包括 概率推理 、 證據(jù)推理 、 模糊推理 和 產(chǎn)生式規(guī)則 等 。 常用的 學(xué)習(xí)方法 包括 神經(jīng)網(wǎng)絡(luò) 、 映射學(xué)習(xí)方法 、 數(shù)據(jù)挖掘 等 。 交通信息融合的主要方法 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 智能運(yùn)輸系統(tǒng)概論 貝葉斯估計(jì) 是 統(tǒng)計(jì)學(xué)方法 的一種 。 經(jīng)典統(tǒng)計(jì)學(xué) 基于 總體信息 和 樣本信息 進(jìn)行統(tǒng)計(jì)推斷 。 貝葉斯估計(jì) 基于 總體信息 、 樣本信息和 先驗(yàn)信息 進(jìn)行 統(tǒng)計(jì) 和 推理 。 重視總體信息和樣本信息的同時(shí) ， 還注意 先驗(yàn)信息 的 收集 、 挖掘 和 加工 ， 使其 數(shù)量化 ，形成 先驗(yàn)分布 參加到 統(tǒng)計(jì)推斷 中來(lái) ， 提高統(tǒng)計(jì)推斷的 質(zhì)量 。 證據(jù)推理 DempsterShafer證據(jù)推理 是 貝葉斯方法 的 擴(kuò)展 。 在 貝葉斯方法 中 ， 所有缺乏信息的前提環(huán)境中的特征指定為一個(gè)等價(jià)的 先驗(yàn)概率 。 證據(jù)推理 可避免這一缺點(diǎn) 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 神經(jīng)網(wǎng)絡(luò) 具有 分布并行處理 、 非線性映射 、 自適應(yīng)學(xué)習(xí) 、 較強(qiáng)的魯棒性和容錯(cuò)性 等特性 ， 在很多方面都有廣泛的應(yīng)用 。 基于 神經(jīng)網(wǎng)絡(luò) 的 多源信息集成與融合 有如下 特點(diǎn) ：具有統(tǒng)一 的內(nèi)部 知識(shí)表示形式 ；可將知識(shí)規(guī)則轉(zhuǎn)換成 數(shù)字形式 ，便于建立 知識(shí)庫(kù) ；利用外部環(huán)境的信息 ， 便于實(shí)現(xiàn)知識(shí)的自動(dòng)獲取 及進(jìn)行 聯(lián)想推理 ；能夠?qū)?不確定環(huán)境 的復(fù)雜關(guān)系 ，經(jīng)過(guò) 學(xué)習(xí)推理 ， 融合為系統(tǒng)能理解的 準(zhǔn)確信號(hào) 。 由于神經(jīng)網(wǎng)絡(luò)具有 大規(guī)模并行處理信息 的能力 ， 使得 系統(tǒng)信息處理速度 很快 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 模糊邏輯 基本思想 是把普通集合中的 絕對(duì)隸屬關(guān)系 靈活化 ， 使元素對(duì)集合的 隸屬度 從原來(lái)只能取 {0， 1}中的值擴(kuò)充到可以取 [0， 1]區(qū)間中的 任一數(shù)值 ， 很適合于用來(lái)對(duì)傳感器信息的 不確定性 進(jìn)行描述和處理 。 基于 模糊邏輯理論 的 信息融合 方法可以將通常以 概率密度函數(shù) 或 模糊關(guān)系函數(shù) 形式給出的不同檢測(cè)器的 評(píng)價(jià)指標(biāo)變換為 單值評(píng)價(jià)指標(biāo) ， 該指標(biāo)不僅能反映 每一種檢測(cè)器 所提供的信息 ， 而且能反映從單個(gè)傳感器 無(wú)法得到 的知識(shí) 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 粗糙集理論 是繼 概率論 、 模糊集 、 證據(jù)理論 之后的又一個(gè)處理 不確定性 的數(shù)學(xué)工具 。 粗糙集理論 在 多源數(shù)據(jù)分析 中解決的基本問(wèn)題包括發(fā)現(xiàn)屬性 間的 依賴關(guān)系 、 約簡(jiǎn)冗余 屬性與對(duì)象 、 尋求 最小屬性子集 以及生成 決策規(guī)則 等等 。 粗糙集 與其他不確定性問(wèn)題理論的 最顯著區(qū)別 是無(wú)需提供任何 先驗(yàn)知識(shí) ， 而是從 給定問(wèn)題的 描述集合 直接出發(fā) ， 找出問(wèn)題的 內(nèi)在規(guī)律 。 常用來(lái)對(duì)目標(biāo)進(jìn)行 定性分析 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 卡爾曼濾波 采用由 狀態(tài)方程 和 觀測(cè)方程 組成的 線性隨機(jī)系統(tǒng) 的 狀態(tài)空間模型 來(lái)描述 濾波器 ， 并利用狀態(tài)方程的 遞推性 ， 按線性 無(wú)偏最小均方誤差 估計(jì)準(zhǔn)則 ， 采用一套 遞推算法 對(duì)該濾波器的狀態(tài)變量作 最佳估計(jì) ， 從而求得 濾掉噪聲 后有用信號(hào)的最佳估計(jì) 。 卡爾曼濾波用于 實(shí)時(shí)融合動(dòng)態(tài) 的 低層次冗余多源數(shù)據(jù) ，用 測(cè)量模型 的 統(tǒng)計(jì)特性 遞推決定統(tǒng)計(jì)意義下的 最優(yōu)融合數(shù)據(jù)估計(jì) 。 卡爾曼濾波的 遞推特性 使得系統(tǒng)數(shù)據(jù)處理 不需要大量的 數(shù)據(jù)存貯 和 計(jì)算 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 演講完畢，謝謝觀看！
物理相關(guān)推薦
鄂ICP備17016276號(hào)-1