一、基因多传感器信息融合的道路收费系统（论文文献综述）
张卓[1]（2020）在《基于AUTOSAR的电动车传感器信号处理组件接口及融合算法的研究与实现》文中进行了进一步梳理传感器是智能电动汽车中不可或缺的重要组成部分,承担信息采集的工作,汽车不断向智能化方向发展,汽车上传感器数量在不断增加,需要处理的信息也更加复杂,对传感器的精度及可靠性的要求也逐步上升,由于受环境气候多变及单个传感器局限性的影响,常有单个传感器识别不准确的现象发生。本文阐述了智能电动汽车中在AUTOSAR架构基础上建立传感器信号处理组件接口库及进行多传感器数据融合的重要性,描述了国内外针对融合算法的研究现状,总结并分析了智能电动汽车中现有的传感器及多传感器融合算法,提出了一种将扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法与动态自适应差分进化算法结合的方法对摄像头与激光雷达进行数据融合。本文的研究内容主要包括以下几点:（1）基于AUTOSAR汽车开放式系统架构,设计并制定了智能电动汽车传感器信号处理组件接口库,为库中的每个传感器接口函数制定了统一的命名标准,且制定了一套优先级标准,并为智能电动汽车的各个控制系统列出了传感器列表;（2）通过对多传感器数据融合算法中EKF算法的研究,提出了一种改进的EKF算法,通过将动态自适应差分进化算法与EKF算法结合来进行改进;（3）使用改进的EKF算法对智能电动汽车上的摄像头与激光雷达传感器进行数据融合,通过对摄像头采集的图像数据及对激光雷达采集到的点云数据进行数据预处理及数据融合,融合后的结果能够弥补单个传感器的缺点。实验结果表明,本文提出的改进的EKF算法在精度和速度方面较传统的EKF算法有显着提升,本文实现的将摄像头与激光雷达传感器进行数据融合能够有效改进单个传感器的局限性,准确的识别车身周围环境。
白林[2]（2020）在《基于多源信息融合的智能汽车环境感知算法开发及测试评价》文中进行了进一步梳理通过车载传感器感知智能车周围环境,并对环境信息进行多任务处理以进行目标检测与分类识别,是智能汽车关键共性技术之一。本文针对单一传感器信息感知的局限性,对基于多源异构信息融合的智能汽车环境感知算法进行了研究并对其性能进行测试评价,具体的研究内容如下:（1）针对单一传感器信息感知的局限性,以车载工控机作为多线激光雷达、毫米波雷达、RGB相机等传感器的计算平台,采用C/S模型下的数据传输层通信协议实现多源异构传感器之间的数据通信,并在GPS时间同步基础上通过时间节点插值计算,完成多线激光雷达与相机的数据信息时间同步;（2）针对多源异构传感器数据的空间配准需求,利用多线激光雷达与相机同步数据进行联合标定完成空间配准;利用张氏标定法完成相机内外参标定,将多线激光雷达外参标定简化为求解俯仰角、横摆角、航向角和纵向位移4个参数,并采用遗传算法对求解目标进行优化,完成多线激光雷达的外参标定;在此基础上将矫正后的数据作为输入,完成多源传感器的联合标定;（3）开发了基于几何特征求解的多线激光雷达目标检测算法,利用实际场景数据进行测试,分析对行人难以求固定解和远处目标点云稀疏问题,进而开发基于深度卷积神经网络的目标检测算法,研究从基于候选区域提取到基于递归的端对端目标检测算法迭代演进,以根据智能车实际需求改善算法的性能;（4）开发了基于多源异构信息融合的环境感知算法,分别利用基于几何特征求解方法对雷达点云进行预处理和基于递归神经网络方法对图像信息进行端对端预处理;结合联合标定求解的空间变换矩阵,融合预处理后的传感器信息,完成目标检测算法开发;（5）针对智能车环境感知算法测试验证,分析以场景为驱动的环境感知测试评价方法,利用室内仿真场景及封闭式测试场景对单一传感器环境感知算法进行测试评价;对多源异构传感器的时间同步误差、空间配准误差进行分析,利用实车平台及KITTI数据集对基于多源异构信息融合的环境感知算法进行综合性测试评价。
杨志刚[3]（2019）在《基于多模态信息融合和自适应进化神经网络的汽车运行与安全智能感知方法研究》文中研究表明汽车作为交通行业最具发展潜力的交通工具,便利了人类出行方式,还促进人类发展交流。但随着汽车保有量增加,也伴随着更多交通拥挤堵塞、交通事故频发等问题出现,目前汽车所处环境越发复杂,传统汽车依赖驾驶员疲以处理动态多变、复杂的环境,主要问题就是缺乏对于复杂信息的智能感知、判断、推理、决策的能力。本文借鉴近几年来国内外研究人员对人脑认知的研究成果,开展了基于多模态信息融合和自适应进化神经网络的汽车运行与安全状态感知方法研究,为实现汽车对自身运行和司乘人员安全状态的智能感知,提供必不可少的智能感知方法,提升汽车因应复杂运行环境的智能感知和决策能力。为此,本文通过从汽车运行交通环境复杂性、非智能汽车因应复杂交通环境的局限性以及智能汽车针对这些局限所做出的解决方案对汽车运行安全性能的提升进行描述,针对大脑认知机制研究应用于汽车应对复杂运行环境及解决复杂安全状态问题,对智能汽车系统的运行与安全智能感知问题进行建模与描述。针对单一模态信息表征能力单一、偶然性高、易受外界影响的缺陷,统筹考虑人-车系统进行多模态信息融合的研究,提出一种基于进化神经网络的多模态信息融合方法,构建了智能主体系统智能感知信息处理模型。针对汽车感知在复杂环境下精度和速度无法保证的缺陷,构建了自适应遗传算法优化的进化神经网络进行多模态信息融合,保证系统面对复杂信息能有效利用。为了解决司乘人员安全状态的识别,利用机器视觉获取驾驶员眼长纵横比通过驾驶员长时间眨眼次数判断驾驶员疲劳程度以及构建基于深度卷积神经网络优化的FaceNet架构判断乘客年龄段和性别。结合司乘人员安全状态参数和汽车驾驶运行时自身状态参数,通过自适应进化神经网络和先验领域知识库,实现了汽车运行与安全智能感知方法。本文开展了汽车运行与安全状态智能感知模拟试验系统研究的设计与开发,首先能正确识别驾驶员的驾驶疲劳状态以及乘客的老人儿童年龄性别状态识别,结合采集的汽车自身运行状态参数数据集进行汽车运行与安全状态感知试验,使用自适应进化神经网络方法,识别汽车安全驾驶等级,最后状态感知的准确率达92.48%,并与其他算法进行对比,验证本文提出的智能汽车感知方法和模型的科学性和合理可行性。
冯寻[4]（2019）在《考虑多源检测设备分布情况的高速公路路段拥堵检测》文中研究指明对高速公路路段进行拥堵检测,是实现有效管理和及时管控的必要前提。由于数据条件的限制,以往研究的数据大多来源于单一数据源,难以从多侧面表征出全面的交通状态。同时,受检测设备安装间距带来的影响,现有检测模型难以满足各自的适用条件,导致检测率难以提升。目前高速公路各检测设备的布设和推广为获取多源数据提供了条件,在考虑检测设备分布情况下,合理利用现有高速公路各数据源,建立有效的路段拥堵检测模型,对于高速公路管理质量的提升具有重要意义。因此,本文结合高速公路车检器数据、视频图像、收费数据及卡口数据,充分利用各数据源所提供的交通参数,分别针对检测设备分布密集和稀疏的两种情况,采用融合的方式建立高速公路路段拥堵检测模型,从而提高检测率,这对高速公路管理质量的提升具有重要意义。论文主要内容如下:（1）针对检测设备分布密集的情况,采用决策级融合方式对路段进行拥堵检测。首先基于收费数据及卡口数据对当前高速公路路段的平均行程时间进行估计,减小由于行程时间的时延性带来的影响。然后基于上下游车检器数据,建立拥堵检测模型。之后将视频检测结果和以上两个结果进行决策级融合,建立了在设备分布密集情况下的高速公路路段拥堵检测模型。结果表明在检测设备分布密集的情况下,基于决策级融合的检测模型具有良好的检测效果。（2）针对检测设备分布稀疏的情况,采用特征级融合方式对路段进行拥堵检测。首先基于上下游车检器数据、收费数据及卡口数据,提取得到相关特征,以无监督学习和有监督学习结合的方式,实现特征级融合,建立路段拥堵检测模型。结果表明在检测设备分布稀疏的情况下,本文基于特征级融合的检测模型具有良好的检测效果。（3）为验证本文检测模型的针对性和适用性,在检测设备分布密集和稀疏的情况下,同时采用决策级融合方式和特征级融合方式进行检测效果的对比。结果表明:在检测设备分布密集的情况下,采用决策级融合的方式检测效果更好;在检测设备分布稀疏的情况下,采用特征级融合的方式检测效果更好。在此基础上,对路段进行一个月的拥堵检测应用,本文提出的两种模型具有可行性且检测效果良好。
曾杰[5]（2019）在《基于多源LSSVM的车型识别方法研究》文中提出车型识别是智能交通系统的一个重要部分。由于单一传感器获得信息的不全面性和不准确性,为正确分类带来了困难。因此本文使用红外与可见光传感器对目标进行图像采集,采用典型相关分析对提取的特征向量进行融合来获得对目标的一致性描述。在众多分类算法中,最小二乘支持向量机由于其识别精度高,参数数目少,算法简便而被广泛应用。本文围绕最小二乘支持向量机在车型识别中的应用展开研究,主要的研究内容与创新点归纳为以下几个方面:1、对最小二乘支持向量机算法进行改进。考虑到最小二乘支持向量机的参数没有完备的数学理论确定且又影响最终的分类结果,引入了差分进化算法对其进行参数寻优。在分析了传统差分进化算法理论的基础上,针对其易陷入早熟收敛的问题做出改进。经过仿真试验证明改进算法可以跳出局部最优点,克服传统算法的缺陷,使用改进后的差分进化算法对最小二乘支持向量机进行参数寻优可有效提高其正确分类率。2、对采集的图像进行特征提取。红外图像的对比度不高、无法反映目标细节,需要进行预处理操作。本文选择了中值滤波和直方图均衡化作为红外图像去噪和增强的算法,采用核主成分分析方法提取红外图像的特征向量;与传统算法相比,卷积神经网络可以输入原始图像,避免了繁复的预处理步骤,算法较为简便。但其需要海量样本数据训练,本文提出一种CNN-LSSVM算法来提取可见光图像的特征向量,避免了复杂的预处理步骤且经过仿真实验证明改进算法在小样本情况下依然有良好的分类率。3、将前文研究应用于车型识别。在分析了信息融合的各类结构模型及融合过程的基础上,采用了典型相关分析进行特征级融合;最小二乘支持向量机应用于实际多分类问题中需要对其进行多分类推广,本文对常用的几种多分类推广方法进行了对比,选择了编码法进行多分类推广。基于以上的研究,设计了基于多源最小二乘支持向量机的车型识别实验并证明了本文方法的有效性。
赵文举[6]（2020）在《基于智能轮胎与微波雷达的桥梁快速测试方法与系统开发》文中进行了进一步梳理我国土木基础设施数量庞大造价昂贵,其安全服役关系国计民生。国家公路网上中小桥梁数量巨大但管养费用有限,导致部分桥梁存在重大安全隐患。基于定期检测的结构技术状况评定是评价桥梁当前服役性能的主要手段,但它以人工为主,费时费力。因此,如何实现公路网上为数众多桥梁的快速测试与诊断,是国内外迫切需要解决的关键科学问题。基于冲击振动的独特优势,本文从结构输入、输出监测以及结构识别等三方面出发,提出了一种基于智能轮胎和微波雷达的桥梁快速测试系统与方法,它通过车辆本身移动式连续激励桥梁,同时通过微波雷达非接触式测量桥梁动态位移,从而实现“边移动、边激振、边测量”的快速测试。主要研究工作如下:（1）基于多传感器信息融合的智能轮胎竖向车轮力反演。为精确识别作用于桥梁结构的移动荷载,本文考虑通过监测安装于轮胎的多传感器信息来反演竖向车桥耦合作用力。即首先通过分析研究轮胎力学特性和分析模型以及轮胎各关键参数与竖向车轮力的复杂映射关系,然后提出了一种基于LSTM深度学习算法的竖向车轮力识别方法。该方法通过前期模型训练,可实现在无明确函数关系映射情况下的竖向车轮力识别。最后基于所开发的高速轮胎试验机静止和高速实验,验证了所提议方法的可行性和有效性。（2）基于长标距应变传感的智能轮胎竖向变形连续实时测量。考虑到实际工程中已有传感器难以实现轮胎各点竖向变形实时连续测量,以及结合长标距应变“宏微观”的独特优势,基于SWIFT轮胎模型假设,改进了一种适用于轮胎等弯曲结构的共轭梁法,将其竖向变形求解问题转化为求解共轭结构弯矩问题。基于改进的共轭梁法,提出了一种基于长标距传感的轮胎竖向变形监测方案,并结合桥梁冲击监测车静止实验、冲击实验以及高速试验机轮胎滚动实验,通过与传统图像、激光等监测方法对比验证了所提议方法的可行性和有效性。最后,针对实际工程应用中长标距传感器的选取问题进行分析讨论,为其具体实施提供参考方案。（3）微波雷达测变形原理与系统开发。基于微波技术和相位干涉法,首先简要阐述了微波雷达系统组成及其测变形原理。针对实际微波雷达设备系统的研发,进行了技术方案规划和主要技术指标计算。然后,详细分析了微波雷达各分级设计方案以及软硬件实施方案。最后,根据桥梁位移监测的需求,详细分析了微波雷达在实桥工程应用中俯仰角选取方案。并通过室内精度实验和实桥实验,验证了所研发微波雷达的精度和在实桥工程应用中的可行性和有效性。（4）基于微波雷达的桥梁挠度监测与模态参数识别。以扬州北澄子河大桥为依托,在验证微波雷达多目标同步监测的同时,进一步基于环境振动下多参考点法实现桥梁结构的模态参数识别。此外,以广州南沙大桥为依托,针对微波雷达在超大跨桥梁工程中的应用提供了详细方案,并针对其测试现场桥梁净通航高度低、微波雷达测试俯仰角太小等问题,提出了一种基于多（动）参考点的微波雷达测点位移反演方法,以及详细分析讨论了极限环境下抑制和消除微波雷达“多径效应”等问题,最后与传统监测方法对比,在验证微波雷达测试结果有效性的同时,凸显出其测试效率高、测试结果丰富等优势。（5）基于微波雷达的桥梁多拉索索力同步监测。结合微波雷达非接触、多目标、远距离、高精度的优势,开展了基于微波雷达的桥梁多拉索索力同步监测,详细分析了微波雷达在拉索索力测试中可能出现的各测试工况和问题,并针对多拉索位于同一测试距离单元出现的信号混叠问题,引入一种融合变分模态分解和时频分析的单通道信号盲源分离方法,从而可实现多拉索索力的同步监测。最后以“南京眼”斜拉步行桥为依托,验证了所提议方法的可行性和有效性。（6）基于改进优化算法的桥梁结构柔度识别。在上述所提议快速测试中结构输入和输出已知后,可结合现有的结构分块冲击测试方法实现结构柔度识别。考虑到实际工程应用中微波雷达由于俯仰角的限制难以实现桥梁整体结构的同步测量,现有的结构分块冲击振动测试方案在具体实施时识别精度和计算效率上仍存在一定的局限性。本文提出了一种基于改进优化算法的结构柔度识别方法。在该方法中,结构划分为相互独立测试的子结构。然后将各子结构测试的数据集成进行整体结构柔度矩阵识别。在子结构集成方法中,本文采用基于最小势能原理和结构模态振型正交性判别子结构模态振型方向系数,并且引入量子遗传优化搜索算法,从而可实现高精度,快速识别。最后,通过实验数据成功验证了该方法的有效性。
毕文豪[7]（2018）在《信息环境下智能火力与指挥控制关键技术研究》文中研究指明信息环境下智能火力与指挥控制系统是建立在航空火力与指挥控制系统发展基础之上,与信息化、网络化作战理念相互适应,满足现代战争军事需求,与新一代战斗机同步发展的新型分布式火力与指挥控制系统。本论文立足于信息环境下智能火力与指挥控制系统的基础研究,结合目前先进的体系结构思想和技术,构建信息环境下智能火力与指挥控制系统的体系模型,研究支撑该体系模型的体系架构、关键技术。论文的主要工作和创新点如下:1)在分析航空火力与指挥控制系统发展趋势的基础上,研究了传统的火力与指挥控制系统和网络中心战下的火力与指挥控制系统的体系结构,指出了它们无法适用于信息网络时代的原因,阐述了信息化、网络化下新一代战斗机对火力与指挥控制系统的军事需求,提出了一种信息环境下以信息完全共享、分布式的一体化网络智能火力与指挥控制系统的概念,构建了信息环境下智能火力与指挥控制系统体系架构,研究了其组成和特征,并介绍了相关的关键技术。2)针对多传感器信息融合所面临的不确定性信息表达和处理问题,建立了多源传感器智能信息融合系统的功能模型、结构模型、数学模型,提出了一种基于改进的证据理论的智能信息融合算法。首先针对D-S证据理论不能有效处理冲突证据的问题,研究了国内外典型文献提出的各种改进方法,分析了现有的证据冲突衡量方法的不足,然后提出了新的证据冲突衡量方法——证据相似性测度,并利用证据相似性测度对各传感器提供的证据信息进行加权修正,最后用Demspter组合规则进行融合。算例证明该算法扩展了证据理论在决策级信息融合中的应用,可以有效处理不确定信息,降低了冲突信息对最终融合结果的影响,提高了融合结果的可靠性和合理性,而且具有较快的收敛速度。3)针对信息环境下智能火力与指挥控制系统改变了传统固定链路“烟囱式”的系统构架,各个传感器、武器、目标的火力通道可以灵活配置的问题,建立了传感器、武器、目标调度决策的分布式集中火力联盟分配模型,并提出了一种改进的遗传离散粒子群优化算法。首先为了对传感器资源进行合理科学分配,建立了表征传感器单元综合探测性能的能力函数,然后针对存在多约束条件的传感器单元、武器和目标的分配问题,为了避免传统算法易陷入局部最优的缺陷,建立分布式集中火力联盟优化模型,设计了带有交叉、变异算子的改进的遗传离散粒子群优化算法。仿真算例表明,与传统算法相比,算法收敛速度更快,全局寻优能力更强。4)针对信息环境下制导武器的协同控制问题,重点研究了协同制导过程中的制导权交接策略、交接流程和交接算法。首先分析了协同制导的必要条件和协同制导样式,然后根据己方飞机对导弹的态势优势、己方飞机对目标的探测能力和己方飞机受到的威胁度建立制导优势模型,并在此基础上提出了基于改进拍卖算法的协同制导制导权分配算法,最后详细研究了中制导制导权交接的原则、方法和流程,提出了相应的目标制导信息、制导律的交接算法。仿真实验表明,本文提出的算法有效可行,能够实时地计算制导优势和进行制导权分配,有效地完成多机协同制导;同时能够平滑中制导交接引起的导弹非正常过载突变,确保交接过程弹道稳定,为协同制导作战的研究和作战应用提供强有力的支撑。
张文[8]（2018）在《地面多传感器协同探测关键技术研究与开发》文中认为本课题来源于兵器工业集团和我校的协同创新项目“××多传感器协同感知技术研究”,是国防“十三五”规划的基础预研课题,旨在解决多传感器协同探测技术中的部署和跟踪问题,使多传感器在目标区域环境下发挥群体优势,达到合理、健全的协同机制,从而更好的实现对目标区域信息的采集、感知和处理。随着科技和信息化的不断发展,单一和分立的传感器已不能满足工程应用的实际需求,多传感器网络作为新兴的信息获取手段应运而生,其中多传感器协同探测技术属于多传感器网络的一个重要分支,已经在工业、军事、环境、医疗、交通等研究领域得到了广泛的应用。论文主要研究协同探测的部署和目标跟踪问题,首先对多传感器协同探测技术中的部署问题进行数学建模,并采用一种面向多传感器协同部署的粒子群算法（PSO）进行求解,实现各个传感器的协同合作,在保证重点区域优先探测的前提下,有效的提高了多传感器探测区域的覆盖率,减少了传感器布局中不必要的浪费,实现对目标区域环境的有效覆盖;其次,对多传感器网络的目标跟踪问题进行建模,给出了均匀分配的目标跟踪方案,采用一种面向目标跟踪的遗传算法（GA）求解问题,有效的提高了多传感器的目标跟踪性能;最后论文给出了基于C++多传感器协同探测的仿真平台系统。本论文的主要研究内容如下:（1）详细的阐述了传感器及多传感器网络的概念,并对多传感器网络的部署和目标跟踪问题的国内外现状进行总结,给出了协同探测的工作架构、原理及优点。（2）针对多传感器协同探测的部署问题,论文给出了一种基于离散化思想对目标区域环境进行了网格化,利用矩阵形式对多传感器部署问题中的环境约束、探测能力、重点区域优先探测以及传感器节点部署进行了描述,建立了优化问题的数学模型,并以粒子群算法进行优化,给出了仿真结果。（3）在研究协同探测传感器目标跟踪的问题上,提出了一种均匀分配的目标跟踪方法,给出了优化问题的数学模型,并使用遗传算法进行优化,通过仿真试验证明该方法的有效性。（4）研究并开发了传感器协同探测仿真系统,给出了仿真系统构建思路以及系统的效能评估方法,并利用系统平台对传感器部署进行实例演示,仿真平台结果与Matlab仿真结果基本相同。
韩杰[9]（2017）在《移动机器人室外导航系统研究与研发》文中提出机器人作为一种智能化的设备,在人类社会活动中已经服务了很长时间,服务的领域也涉及到生活、工业、军事、航天等许多方面。大型企业厂区、科技园区、购物商场、高档小区和学生校园的出现加快了移动机器人替代人力工作的发展进程。其中,移动机器人室外导航的研究备受关注。本文主要工作内容:首先,分析了国内外移动机器人室外导航系统的研究现状,总结了该类系统研发的若干关键技术。以校园为实验环境,完成移动机器人整体硬件方案设计,主要针对激光雷达、里程计、GPS、姿态传感器、遥控手柄、研华工控机、摄像头、ArduinO2560、无线发射装置、降压模块等完成单独功能测试以及整体集成。第二,利用ROS松耦合的结构特点,设计的软件功能模块便于灵活添加,扩展性良好。设计了上位机显示界面,可以显示机器人携带的传感器以及摄像头信息,并对机器人实现远程操作。第三,针对里程计和姿态传感器等位置传感器,研究了其融合算法,利用Arduino2560完成了多传感数据融合实验。最后,基于研华工控机完成了移动机器人室外构图与导航。研究实现了机器人RBPF构图算法、地图的栅格表示方法、自适应蒙特卡罗定位算法、Dijkstra全局导航算法和Dynamic Window Approach局部导航算法,并进行了相关的室内、外定位实验。通过在校园环境的导航实验,证明了移动机器人导航系统的可行性与正确性。
刘力[10]（2008）在《基于多传感器信息融合技术的高速公路交通事件检测方法研究》文中研究说明随着我国高速公路的快速建设和发展,高速公路交通安全问题日益突出,而且目前交通事件检测系统的实际应用效果并不理想。因此,交通事件检测（AID）方法研究已经成为广泛关注的热点问题。多传感信息融合技术作为一种新的信息综合处理方法,为AID方法的设计提供了新途径。运用信息融合技术设计高效的AID方法,不仅能拓宽信息融合技术的应用范围,而且能推动高速公路“安全、高效”的管理目标的实现,具有较高的理论意义和实际应用价值。本文初步探讨了交通事件信息融合理论,并针对基于单一传感器信息的AID方法存在的问题,运用多传感器信息融合理论和技术,按照信息融合的结构和层次框架,设计了采用集中式融合结构的基于特征级融合的AID方法和采用分布式融合结构的基于决策级融合的AID方法。按照信息融合的处理过程,在AID方法的低层信息预处理阶段采用小波分析法对交通流数据进行消噪处理,并利用实测数据比较了常用的两种小波消噪方式的效果。在AID方法的高层信息融合处理阶段,选用PNN和LVQ神经网络作为本文提出的事件检测融合算法模块的实现工具。同时,利用实测数据,在详细分析了交通事件状态下不同截面和不同车道的交通流参数的突变特性基础上,汲取双截面算法的优势,确定了基于特征级融合的AID方法的输入参数;汲取单截面算法和双截面算法的优势,并提出利用同一截面不同车道交通流的变化特性,确定了基于决策级融合的AID方法的输入参数。两种方法应用中均融合了天气情况和能见度信息。最后,利用经过消噪及归一化处理的京津塘高速公路实测数据对本文提出的AID方法进行测试,结果表明,两种方法均可获得较高的检测率和较低的误报率,性能优于经典AID方法。
二、基因多传感器信息融合的道路收费系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基因多传感器信息融合的道路收费系统（论文提纲范文）
（1）基于AUTOSAR的电动车传感器信号处理组件接口及融合算法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的内容与结构 |
| 第2章 相关理论及工作基础 |
| 2.1 基于AUTOSAR开发方式的特点 |
| 2.1.1 AUTOSAR分层架构 |
| 2.1.2 AUTOSAR接口类型 |
| 2.1.3 AUTOSAR方法论 |
| 2.2 智能电动汽车传感器 |
| 2.2.1 电动车与传统车传感器的差异 |
| 2.2.2 智能电动汽车环境感知传感器 |
| 2.3 多传感器数据融合技术 |
| 2.3.1 多传感器信息融合层次 |
| 2.3.2 多传感器信息融合方法 |
| 2.4 本章小结 |
| 第3章 基于AUTOSAR的智能电动汽车传感器信号处理组件接口的设计 |
| 3.1 传感器信号处理组件接口的设计 |
| 3.1.1 基于AUTOSAR的信号传递关系 |
| 3.1.2 传感器信号处理组件接口函数的命名设计 |
| 3.2 传感器信号处理组件优先级的设计 |
| 3.3 智能电动汽车传感器列表 |
| 3.3.1 电池管理系统中的传感器 |
| 3.3.2 车身控制系统中的传感器 |
| 3.3.3 底盘控制系统中的传感器 |
| 3.3.4 信息安全系统中的传感器 |
| 3.4 本章小结 |
| 第4章 一种改进的智能电动汽车传感器数据融合算法 |
| 4.1 卡尔曼滤波算法(Kalman Filtering) |
| 4.1.1 预测阶段(Prediction) |
| 4.1.2 更新阶段(Update) |
| 4.2 扩展卡尔曼滤波算法(Extended Kalman Filter) |
| 4.3 一种改进的扩展卡尔曼滤波算法 |
| 4.3.1 动态自适应差分进化算法 |
| 4.3.2 EKF结合动态自适应差分进化算法 |
| 4.4 本章小结 |
| 第5章 实验测试与结果分析 |
| 5.1 传感器基础数据处理实验 |
| 5.1.1 智能电动汽车camera数据预处理实验 |
| 5.1.2 智能电动汽车lidar数据预处理实验 |
| 5.2 EKF融合算法改进实验与结果分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）基于多源信息融合的智能汽车环境感知算法开发及测试评价（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 智能汽车环境感知技术研究现状 |
| 1.2.1 传感器标定算法研究现状 |
| 1.2.2 智能汽车环境感知算法研究现状 |
| 1.2.3 多传感器融合智能汽车环境感知算法研究现状 |
| 1.3 智能汽车环境感知算法测试评价研究现状 |
| 1.3.1 基于场景数据驱动的智能车环境感知算法测试评价 |
| 1.3.2 基于测评系统的智能车感知算法测试评价 |
| 1.4 本文研究内容 |
| 第二章 多源异构传感器时间同步及联合标定 |
| 2.1 多源异构传感器时间同步 |
| 2.1.1 GPS与激光雷达时间同步 |
| 2.1.2 相机与激光雷达时间同步 |
| 2.2 传感器标定 |
| 2.2.1 相机标定 |
| 2.2.2 激光雷达标定 |
| 2.3 相机与激光雷达联合标定 |
| 2.4 本章小结 |
| 第三章 基于单一源传感器信息的环境感知算法 |
| 3.1 基于激光雷达的目标检测 |
| 3.1.1 激光雷达工作原理 |
| 3.1.2 基于几何特征求解的目标检测 |
| 3.2 基于图像的目标检测 |
| 3.2.1 两级式框架目标检测 |
| 3.2.2 单级式框架目标检测 |
| 3.3 本章小结 |
| 第四章 基于多源异构信息融合的环境感知算法 |
| 4.1 基于多源异构信息融合的预处理方法 |
| 4.1.1 基于YOLOv3 算法模型的图像信息预处理 |
| 4.1.2 基于几何特征求解的雷达信息预处理 |
| 4.2 融合多源异构信息的目标检测与识别 |
| 4.3 本章小结 |
| 第五章 智能汽车环境感知算法测试评价 |
| 5.1 基于场景驱动的单一传感器环境感知算法测试评价 |
| 5.2 基于多源异构信息融合的环境感知算法综合测试评价 |
| 5.2.1 基于实车平台的信息融合环境感知算法综合性测试评价 |
| 5.2.2 KITTI数据集驱动的信息融合环境感知算法测试评价 |
| 5.4 本章小结 |
| 第六章 总结展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文 |
| A.作者在攻读硕士学位期间发的论文 |
（3）基于多模态信息融合和自适应进化神经网络的汽车运行与安全智能感知方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.3 国内外研究现状与发展趋势 |
| 1.3.1 智能交通及其对于解决城市交通问题及实现可持续发展的意义 |
| 1.3.2 智能汽车的产生发展与关键技术研究应用情况及对智能交通的促进作用 |
| 1.3.3 智能感知理论方法与关键技术及其对于智能汽车的主要作用与实现机制 |
| 1.3.4 多传感器多模态信息融合方法及其对智能感知的作用 |
| 1.3.5 人工神经网络的研究发展及其在多模态信息融合中的应用 |
| 1.3.6 进化学习算法及其在信息融合与智能感知中的应用 |
| 1.3.7 深度学习算法及其对汽车运行安全状态智能感知的形成机理 |
| 1.4 拟解决主要问题 |
| 1.5 主要研究内容及目标 |
| 1.5.1 研究目标 |
| 1.5.2 主要内容 |
| 1.6 主要特色及创新 |
| 1.7 论文结构 |
| 第2章 智能汽车运行与安全智能感知问题描述与建模 |
| 2.1 概述 |
| 2.2 非智能汽车因应复杂交通环境的局限性分析 |
| 2.3 智能汽车及其应用环境特性分析 |
| 2.3.1 智能汽车及其技术体系与关键使能技术 |
| 2.3.2 智能驾驶汽车环境下的交通要素 |
| 2.3.3 智能汽车的行驶与安全特性 |
| 2.3.4 复杂应用环境对智能汽车智能能力级的主要要求 |
| 2.3.5 智能感知对汽车智能能力形成及应对复杂环境下人-车安全的作用 |
| 2.4 常用物理信息融合与智能感知方法在智能汽车中应用的比较分析 |
| 2.4.1 信息融合方法及其应用 |
| 2.4.2 智能感知/智能感知方法及其应用 |
| 2.4.3 比较分析 |
| 2.5 汽车运行与安全智能感知问题的模型构建及表达 |
| 2.5.1 大脑认知机制及其对智能感知的启示 |
| 2.5.2 多模态信息融合与进化神经网络对汽车运行与安全智能感知的作用 |
| 2.5.3 汽车运行与安全智能感知问题模型及其求解机制 |
| 2.6 总体思路及解决方案 |
| 2.6.1 总体思路 |
| 2.6.2 解决方案 |
| 2.6.3 智能驾驶汽车驱动环境下人车安全智能感知的应用解决 |
| 2.7 本章小结 |
| 第3章 多模态信息融合方法及自适应进化神经网络构建研究 |
| 3.1 概述 |
| 3.2 多模态信息融合的模型及层次 |
| 3.2.1 多物理域多传感器信息融合模型 |
| 3.2.2 基于大脑认知的多模态信息融合模型 |
| 3.2.3 多模态信息融合的功能模型 |
| 3.2.4 多模态信息融合的层次分析 |
| 3.2.5 多模态信息融合过程分析 |
| 3.3 多模态信息描述及建模 |
| 3.3.1 多模态信息及其特性与作用 |
| 3.3.2 多模态信息场及其形式化描述 |
| 3.4 多模态信息获取及处理 |
| 3.4.1 多模态信息的获取及处理 |
| 3.4.2 非视觉模态信息的时频域分析方法 |
| 3.5 多模态信息特征提取 |
| 3.5.1 基于视觉模态信息的多物理域特征参量定义及其提取 |
| 3.5.2 基于非视觉模态信息的多物理域特征参量定义及其提取 |
| 3.6 基于进化算法和神经网络混合的多模态信息融合算法 |
| 3.6.1 常用多物理域多模态信息融合方法及其特点 |
| 3.6.2 比较分析 |
| 3.6.3 基于进化算法和神经网络混合的多模态信息融合算法 |
| 3.7 典型神经网络及其学习训练算法的比较分析 |
| 3.8 基于神经网络的改进思路 |
| 3.9 改进的自适应遗传算法 |
| 3.9.1 算法理论研究 |
| 3.9.2 算法原理与基本思路 |
| 3.9.3 算法设计及方法 |
| 3.10 基于改进的自适应遗传算法的进化神经网络构建 |
| 3.10.1 遗传进化神经网络及其在构建中要考虑的问题 |
| 3.10.2 基于改进的自适应遗传算法的进化神经网络原理 |
| 3.11 自适应进化神经网络实现及仿真与结果分析 |
| 3.11.1 自适应进化神经网络的实现 |
| 3.11.2 进化神经网络仿真与结果分析 |
| 3.12 本章小结 |
| 第4章 基于多模态信息融合与进化神经网络的智能感知方法研究 |
| 4.1 概述 |
| 4.2 人脑认知与行为决策机制及其启示意义 |
| 4.2.1 人脑认知机制与模型 |
| 4.2.2 人类行为决策机制与模型 |
| 4.3 智能主体及其建模 |
| 4.3.1 基于Agent的智能主体建模及其优势 |
| 4.3.2 智能感知及其对智能主体的作用机制 |
| 4.3.3 人脑认知与行为决策机制的智能主体智能感知与决策优化模型 |
| 4.4 基于自适应遗传算法的进化神经网络的智能主体智能感知方法 |
| 4.4.1 原理与基本思路 |
| 4.4.2 智能感知模型及机制 |
| 4.4.3 仿真与结果分析 |
| 4.5 本章小结 |
| 第5章 汽车运行与安全智能感知方法研究 |
| 5.1 概述 |
| 5.2 基于Agent的汽车运行与安全智能感知及安全防护模型构建 |
| 5.3 基于机器视觉的驾驶人员安全状态识别方法 |
| 5.3.1 基于机器视觉的驾驶人员状态图像获取与处理 |
| 5.3.2 驾驶人员状态数字图像的多维特征提取与计算 |
| 5.4 基于FaceNet深层卷积神经网络的乘客状态识别方法 |
| 5.4.1 基于深层卷积神经网络的乘客(老人/儿童)状态图像获取与处理 |
| 5.4.2 乘客(老人/儿童)状态数字图像的多维特征提取与计算 |
| 5.5 基于自适应进化神经网络和信息融合的智能汽车自身运行及安全状况智能感知方法 |
| 5.5.1 原理与思路 |
| 5.5.2 感知模型及机制 |
| 5.5.3 感知算法设计及过程 |
| 5.6 仿真研究 |
| 5.6.1 仿真试验 |
| 5.6.2 结果分析 |
| 5.7 本章小结 |
| 第6章 汽车运行与安全智能感知模拟试验系统及试验研究 |
| 6.1 概述 |
| 6.2 模拟试验系统设计 |
| 6.2.1 系统目标与总体功能设计 |
| 6.2.2 试验的体系结构 |
| 6.2.3 试验的硬件结构 |
| 6.2.4 图形化人机交互主界面 |
| 6.3 试验研究实现及测试 |
| 6.3.1 试验架构 |
| 6.3.2 司乘人员安全状态识别模块仿真试验 |
| 6.3.3 智能汽车智能感知仿真试验及结果分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（4）考虑多源检测设备分布情况的高速公路路段拥堵检测（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 课题的提出及意义 |
| 1.4 论文研究内容及章节安排 |
| 1.5 本章小结 |
| 2 高速公路路段拥堵下的多源数据参数特征分析 |
| 2.1 高速公路数据的来源及处理 |
| 2.1.1 车检器数据 |
| 2.1.2 视频数据 |
| 2.1.3 收费数据 |
| 2.1.4 卡口数据 |
| 2.2 时空匹配 |
| 2.3 考虑检测设备分布情况的高速公路模态划分 |
| 2.4 高速公路路段拥堵下的交通参数特征分析 |
| 2.4.1 高速公路路段交通参数 |
| 2.4.2 交通参数的不确定性分析 |
| 2.4.3 交通参数的时空关联性分析 |
| 2.5 本章小结 |
| 3 检测设备分布密集情形下的高速公路路段拥堵检测 |
| 3.1 引言 |
| 3.2 基于各数据源的高速公路路段拥堵检测 |
| 3.2.1 基于收费数据及卡口数据的高速公路路段平均行程时间实时估计 |
| 3.2.2 基于车检器数据的高速公路路段交通参数聚类分析 |
| 3.2.3 基于视频图像的高速公路路段拥堵检测 |
| 3.3 基于决策级融合的高速公路路段拥堵检测算法设计 |
| 3.3.1 决策级融合的主要方法 |
| 3.3.2 模糊综合评判法的基本原理 |
| 3.3.3 算法实现 |
| 3.4 实例验证 |
| 3.5 本章小结 |
| 4 检测设备分布稀疏情形下的高速公路路段拥堵检测 |
| 4.1 引言 |
| 4.2 决策级融合的不足及改进 |
| 4.3 基于特征级融合的高速公路路段拥堵检测算法设计 |
| 4.3.1 特征级融合的主要方法 |
| 4.3.2 基于FCM的高速公路路段畅通拥堵划分 |
| 4.3.3 支持向量机及其分类原理 |
| 4.3.4 基于FCM-SVM模型的高速公路路段拥堵检测 |
| 4.4 实例验证 |
| 4.5 本章小结 |
| 5 高速公路路段拥堵检测模型应用实现及分析 |
| 5.1 引言 |
| 5.2 高速公路路段拥堵检测模型设计及实现 |
| 5.2.1 检测系统总体设计 |
| 5.2.2 路段拥堵检测实现流程 |
| 5.3 考虑检测设备分布情况下的拥堵检测模型适用性分析 |
| 5.4 高速公路路段拥堵检测应用情况 |
| 5.4.1 高速公路路段拥堵检测应用数据示例 |
| 5.4.2 高速公路路段拥堵检测应用情况 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间申请的专利 |
| B.作者在攻读硕士学位期间参与的科研项目 |
| C.学位论文数据集 |
| 致谢 |
（5）基于多源LSSVM的车型识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.2.1 课题来源 |
| 1.2.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究内容及安排 |
| 2 改进最小二乘支持向量机算法研究 |
| 2.1 最小二乘支持向量机理论研究与分析 |
| 2.1.1 最小二乘支持向量机理论 |
| 2.1.2 最小二乘支持向量机现有缺陷分析 |
| 2.2 改进差分进化算法 |
| 2.2.1 差分进化算法理论 |
| 2.2.2 改进差分进化算法 |
| 2.3 改进DE优化LSSVM |
| 2.4 仿真实验与结果分析 |
| 2.4.1 改进DE与传统DE算法的比较 |
| 2.4.2 改进LSSVM与传统LSSVM 比较 |
| 2.5 本章小结 |
| 3 基于车型识别的红外图像特征提取算法研究 |
| 3.1 图像去噪 |
| 3.1.1 图像去噪方法 |
| 3.1.2 仿真实验结果及分析 |
| 3.2 图像增强 |
| 3.2.1 图像增强方法 |
| 3.2.2 仿真实验结果及分析 |
| 3.3 核主成分分析算法 |
| 3.3.1 KPCA推导 |
| 3.3.2 KPCA算法步骤 |
| 3.4 本章小结 |
| 4 基于车型识别的可见光图像特征提取算法研究 |
| 4.1 图像灰度化 |
| 4.1.1 图像灰度化方法 |
| 4.1.2 仿真实验结果及分析 |
| 4.2 卷积神经网络 |
| 4.2.1 人工神经网络概述 |
| 4.2.2 卷积神经网络概述 |
| 4.2.3 局部感知与权值共享 |
| 4.2.4 卷积与降采样操作 |
| 4.2.5 激活函数 |
| 4.2.6 CNN反向误差传播 |
| 4.3 CNN-LSSVM算法设计 |
| 4.3.1 CNN-LSSVM模型结构 |
| 4.3.2 CNN-LSSVM算法流程 |
| 4.3.3 仿真与实验分析 |
| 4.4 本章小结 |
| 5 基于多源改进LSSVM的车型识别方法研究 |
| 5.1 红外与可见光传感器特征的分析 |
| 5.2 特征级信息融合与典型相关分析算法研究 |
| 5.2.1 特征级融合 |
| 5.2.2 典型相关分析 |
| 5.3 基于多源改进LSSVM的车型识别的设计 |
| 5.3.1 总体方案构建 |
| 5.3.2 基于多源改进LSSVM的目标识别流程 |
| 5.3.3 LSSVM多分类推广 |
| 5.4 基于改进LSSVM的车型分类实验验证 |
| 5.4.1 仿真实验及分析 |
| 5.4.2 车辆特征提取及特征库的建立 |
| 5.4.3 实验与结果分析 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（6）基于智能轮胎与微波雷达的桥梁快速测试方法与系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 桥梁快速测试 |
| 1.3 竖向车轮力测量相关研究 |
| 1.4 微波雷达测变形相关研究 |
| 1.5 桥梁结构模态分析理论相关研究 |
| 1.6 本文研究目标与研究内容 |
| 1.6.1 研究目标 |
| 1.6.2 研究内容 |
| 第2章 基于多传感器信息融合的智能轮胎竖向车轮力识别 |
| 2.1 引言 |
| 2.2 轮胎力学特性与分析模型 |
| 2.1.1 轮胎力学特性 |
| 2.1.2 轮胎力学分析模型 |
| 2.3 研究框架 |
| 2.4 轮胎参数与竖向车轮力的映射关系 |
| 2.4.1 竖向变形与竖向车轮力的映射关系 |
| 2.4.2 轮胎转速与竖向车轮力的映射关系 |
| 2.4.3 轮胎胎压与竖向车轮力的映射关系 |
| 2.4.4 运动状态下轮胎多参数耦合与竖向车轮力映射关系 |
| 2.5 基于LSTM深度学习算法的竖向车轮力识别 |
| 2.6 实验验证 |
| 2.6.1 实验设计与测试方案 |
| 2.6.2 轮胎稳态实验结果分析 |
| 2.6.3 轮胎非稳态实验结果分析 |
| 2.6.4 讨论 |
| 2.7 本章小结 |
| 第3章 基于长标距应变传感的智能轮胎竖向变形连续测量 |
| 3.1 引言 |
| 3.2 长标距应变传感与实验制备 |
| 3.3 理论推导 |
| 3.3.1 适用于理论推导的轮胎简化模型及研究框架 |
| 3.3.2 适用于轮胎简化模型的改进共轭梁法 |
| 3.4 智能桥梁冲击车轮胎静态实验 |
| 3.4.1 实验制备与方案设计 |
| 3.4.2 静态实验结果分析 |
| 3.4.3 轮胎静态冲击试验结果分析 |
| 3.5 轮胎运动实验与讨论分析 |
| 3.5.1 轮胎高速实验 |
| 3.5.2 传感器优化分析 |
| 3.6 本章小结 |
| 第4章 微波雷达测变形原理与系统开发 |
| 4.1 引言 |
| 4.2 微波雷达系统组成与工作原理 |
| 4.2.1 微波雷达系统组成 |
| 4.2.2 微波雷达测变形原理 |
| 4.3 技术方案与主要技术指标研究 |
| 4.3.1 技术方案 |
| 4.3.2 主要技术指标计算 |
| 4.4 微波雷达分机设计方案 |
| 4.4.1 收发天线 |
| 4.4.2 发射机 |
| 4.4.3 接收机 |
| 4.4.4 信号处理机 |
| 4.4.5 辅助单元与显控单元 |
| 4.4.6 微波雷达整机结构方案 |
| 4.5 实验验证分析 |
| 4.5.1 雷达视线位移与被测目标竖向位移换算角度影响分析 |
| 4.5.2 郑州刘江黄河公路大桥实验验证 |
| 4.5.3 微波雷达室内精度实验验证 |
| 4.5.4 桥梁变形现场实验验证 |
| 4.6 本章小结 |
| 第5章 基于微波雷达的桥梁变形监测与模态参数识别 |
| 5.1 引言 |
| 5.2 工程实例一:扬州北澄子河大桥 |
| 5.2.1 桥梁概况及测试方案 |
| 5.2.2 研究框架 |
| 5.2.3 结构变形监测 |
| 5.2.4 结构模态参数识别 |
| 5.3 工程实例二:广州南沙大桥 |
| 5.3.1 桥梁概况 |
| 5.3.2 索塔现场测试与结果分析 |
| 5.3.3 桥梁 L/2 截面现场测试与结果分析 |
| 5.3.4 桥梁3L/8 截面现场测试与结果分析 |
| 5.3.5 桥梁跑车实验与结果分析 |
| 5.3.6 环境振动下吊杆群各吊杆测试与结果分析 |
| 5.4 本章小结 |
| 第6章 基于微波雷达的桥梁多拉索时变索力同步监测 |
| 6.1 引言 |
| 6.2 基于微波雷达的桥梁多拉索时变索力同步监测方法 |
| 6.2.1 研究方案与框架 |
| 6.2.2 基于微波雷达的拉索时变索力监测方法 |
| 6.2.3 融合VMD与时频分析的信号盲源分离方法推导 |
| 6.3 “南京眼”斜拉步行桥实验 |
| 6.3.1 桥梁概况与实验布置 |
| 6.3.2 Case1 实验结果分析 |
| 6.3.3 Case2 实验结果分析 |
| 6.3.4 Case3 实验结果分析 |
| 6.3.5 Case4 实验结果分析 |
| 6.4 本章小结 |
| 第7章 基于改进优化算法的桥梁结构柔度识别 |
| 7.1 引言 |
| 7.2 基于智能轮胎与微波雷达的桥梁结构柔度识别理论 |
| 7.2.1 研究框架 |
| 7.2.2 理论推导 |
| 7.3 基于IQGA的桥梁结构柔度识别方法 |
| 7.3.1 研究框架 |
| 7.3.2 改进的量子遗传算法判别方法 |
| 7.4 实例 |
| 7.4.1 实验室钢梁——混凝土组合桥面板试验结构 |
| 7.4.2 三跨连续刚构桥数值验证 |
| 7.5 结论 |
| 第8章 结论与展望 |
| 8.1 本文主要成果与创新 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
（7）信息环境下智能火力与指挥控制关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词与常用符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外相关研究现状分析 |
| 1.2.1 信息化环境下作战研究现状 |
| 1.2.2 航空火力与指挥控制系统相关技术研究现状 |
| 1.2.2.1 智能信息融合技术研究现状 |
| 1.2.2.2 资源分配技术研究现状 |
| 1.2.2.3 协同制导技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 信息环境下智能火力与指挥控制系统总体研究 |
| 2.1 航空火力与指挥控制系统概述 |
| 2.1.1 航空火力与指挥控制的基本概念 |
| 2.1.2 航空火力与指挥控制系统的发展阶段 |
| 2.2 传统火力与指挥控制系统存在的问题 |
| 2.3 信息环境下智能火力与指挥控制系统的军事需求分析 |
| 2.4 信息环境下智能火力与指挥控制系统总体结构 |
| 2.4.1 传统的火力与指挥控制系统的体系结构 |
| 2.4.2 网络中心战下的火力与指挥控制系统的体系结构 |
| 2.4.3 信息环境下智能火力与指挥控制系统的体系结构 |
| 2.4.4 信息环境下智能火力与指挥控制系统的特征 |
| 2.5 信息环境下智能火力与指挥控制系统关键技术 |
| 2.6 本章小结 |
| 第三章 基于改进的证据理论的智能信息融合算法研究 |
| 3.1 智能信息融合的不确定性分析 |
| 3.2 智能信息融合模型的建立 |
| 3.2.1 智能信息融合的功能模型 |
| 3.2.2 信息融合的结构模型 |
| 3.2.3 智能信息融合的数学模型 |
| 3.3 D-S证据理论 |
| 3.3.1 证据模型 |
| 3.3.2 证据合成规则 |
| 3.4 D-S证据理论存在的问题及改进方法 |
| 3.4.1 证据理论存在的问题 |
| 3.4.2 改进方法 |
| 3.4.2.1 修改证据理论的经典组合规则 |
| 3.4.2.2 预先修正冲突证据 |
| 3.4.3 证据合成的一般框架 |
| 3.5 现有的证据冲突衡量算法 |
| 3.5.1 冲突系数 |
| 3.5.2 证据距离 |
| 3.5.3 Pignistic概率距离 |
| 3.5.4 余弦相似度 |
| 3.5.5 关联系数(relative coefficient) |
| 3.6 新的证据冲突衡量算法—相似性测度 |
| 3.7 基于相似性测度的加权证据融合方法 |
| 3.7.1 D-S证据理论用于多传感器信息融合的方法 |
| 3.7.2 算法流程 |
| 3.8 仿真算例及分析 |
| 3.8.1 算例一 |
| 3.8.2 算例二 |
| 3.8.3 算例三 |
| 3.8.4 算例四 |
| 3.9 本章小结 |
| 第四章 基于GDPSO的分布式集中火力联盟研究 |
| 4.1 概述 |
| 4.2 异类传感器组合优化 |
| 4.2.1 传感器分析 |
| 4.2.2 传感器单元的能力函数 |
| 4.2.2.1 信息效益值 |
| 4.2.2.2 信息代价值 |
| 4.2.2.3 协同系数 |
| 4.3 分布式集中火力联盟的约束优化问题模型 |
| 4.3.1 模型建立 |
| 4.3.2 目标函数 |
| 4.3.3 分布式集中火力联盟的约束条件 |
| 4.4 优化算法 |
| 4.4.1 粒子群算法 |
| 4.4.2 离散粒子群优化算法 |
| 4.4.3 粒子群优化算法与遗传算法结合的优势 |
| 4.5 GDPSO算法设计 |
| 4.5.1 编码策略 |
| 4.5.2 粒子更新 |
| 4.5.3 算法流程 |
| 4.6 仿真算例及分析 |
| 4.6.1 算例一 |
| 4.6.2 算例二 |
| 4.6.3 算例三 |
| 4.7 本章小结 |
| 第五章 协同制导制导权交接决策及交接流程研究 |
| 5.1 概述 |
| 5.2 协同制导模式分析 |
| 5.3 制导优势模型 |
| 5.3.1 己方飞机对导弹的态势优势 |
| 5.3.2 己方飞机对目标的探测能力 |
| 5.3.3 己方飞机受到的敌方飞机威胁度 |
| 5.3.4 己方飞机制导优势函数 |
| 5.4 协同制导制导权分配算法 |
| 5.4.1 拍卖算法 |
| 5.4.2 改进的拍卖算法 |
| 5.4.3 改进的拍卖算法的具体步骤 |
| 5.5 协同中制导交接分析 |
| 5.5.1 制导权交接原则 |
| 5.5.2 制导权交接方法 |
| 5.5.3 中制导权交接流程设计 |
| 5.5.3.1 交接准备 |
| 5.5.3.2 交接实施 |
| 5.5.3.3 交接结束 |
| 5.5.4 交接律算法 |
| 5.5.4.1 目标信息交接律 |
| 5.5.4.2 制导律交接律设计 |
| 5.6 仿真算例及分析 |
| 5.6.1 协同制导分配算例 |
| 5.6.2 协同制导交接仿真算例 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 进一步的研究工作 |
| 参考文献 |
| 攻读博士学位期间取得的学术成果 |
| 攻读博士学位期间参与的科研项目与获得的奖励 |
| 致谢 |
（8）地面多传感器协同探测关键技术研究与开发（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多传感器部署研究现状 |
| 1.2.2 目标跟踪研究现状 |
| 1.3 论文的研究内容 |
| 1.4 论文的组织结构 |
| 2 多传感器协同探测技术 |
| 2.1 传感器与多传感器网络 |
| 2.2 协同探测技术基本理论 |
| 2.2.1 协同探测技术概述 |
| 2.2.2 协同探测工作架构 |
| 2.2.3 多传感网络协同探测的工作原理及优点 |
| 2.3 多传感器协同探测的关键技术 |
| 2.3.1 多传感器部署问题 |
| 2.3.2 多传感器信息融合 |
| 2.3.3 多传感器目标跟踪问题 |
| 2.4 本章小结 |
| 3 地面多传感器协同探测部署技术 |
| 3.1 多传感器部署问题描述 |
| 3.1.1 地面多传感器部署问题的应用场景 |
| 3.1.2 环境模型 |
| 3.1.3 环境探测能力定义 |
| 3.2 传感器部署数学模型 |
| 3.3 传感器部署求解算法 |
| 3.3.1 粒子群算法概述 |
| 3.3.2 面向传感器部署的粒子群算法 |
| 3.3.3 算法实现 |
| 3.3.4 参数取值 |
| 3.3.5 程序模拟 |
| 3.3.6 实验结果分析 |
| 3.4 本章小结 |
| 4 地面多传感器协同探测目标跟踪技术 |
| 4.1 多传感器目标跟踪问题描述 |
| 4.2 目标跟踪问题数学模型 |
| 4.3 目标跟踪求解算法 |
| 4.3.1 遗传算法概述 |
| 4.3.2 面向目标跟踪的遗传算法 |
| 4.3.3 算法流程 |
| 4.3.4 算法实现 |
| 4.4 本章小结 |
| 5 地面多传感器协同探测仿真系统开发 |
| 5.1 仿真系统构建思路 |
| 5.2 仿真系统评估研究 |
| 5.2.1 协同探测系统探测效能指标建立 |
| 5.2.2 协同探测系统效能评估建模与分析 |
| 5.2.3 协同探测系统效能敏感性分析 |
| 5.2.4 协同探测系统结构优化分析 |
| 5.3 仿真系统开发 |
| 5.3.1 仿真系统开发工具 |
| 5.3.2 仿真系统运行说明 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 协同探测系统实现的部分代码 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）移动机器人室外导航系统研究与研发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 移动机器人导航系统的关键技术 |
| 1.3 移动机器人导航技术发展状况 |
| 1.3.1 移动机器人导航技术国外发展状况 |
| 1.3.2 移动机器人导航技术国内发展状况 |
| 1.4 论文主要研究内容 |
| 第2章 移动机器人控制系统设计 |
| 2.1 室外导航系统设计的指标 |
| 2.2 硬件整体方案 |
| 2.2.1 移动机器人硬件设计图 |
| 2.2.2 移动机器人实物 |
| 2.2.3 研华PCM3363D工控机 |
| 2.2.4 CNP301UA |
| 2.2.5 摄像头 |
| 2.2.6 电量检测模块 |
| 2.2.7 激光雷达 |
| 2.2.8 姿态传感器 |
| 2.2.9 里程计 |
| 2.2.10 sony遥控手柄 |
| 2.3 软件整体方案 |
| 2.3.1 基于ROS控制系统软件设计 |
| 2.3.2 控制系统上位机界面的设计 |
| 2.4 本章小结 |
| 第3章 多传感器信息融合技术 |
| 3.1 多传感器信息融合技术介绍 |
| 3.1.1 多传感器信息融合的概念 |
| 3.1.2 多传感器融合的结构层次与系统框架 |
| 3.1.3 多传感信息融合的关键问题 |
| 3.1.4 多传感器信息融合算法 |
| 3.2 多传感器信息融合实现 |
| 3.2.1 GPS模块 |
| 3.2.2 姿态测量传感器 |
| 3.2.3 里程计 |
| 3.2.4 多传感器信息融合实验 |
| 3.3 本章小结 |
| 第4章 移动机器人室外地图构建与导航 |
| 4.1 移动机器人多坐标系转换 |
| 4.1.1 机器人运动模型 |
| 4.1.2 tf关系的建立 |
| 4.2 移动机器人室外SLAM研究 |
| 4.2.1 地图表示方法研究 |
| 4.2.2 Rao-Blackwellized Particle Filters(RBPF)构图算法 |
| 4.2.3 机器人定位算法研究 |
| 4.2.4 机器人构图的实验 |
| 4.3 移动机器人室外Navigation算法研究 |
| 4.3.1 机器人全局避障算法 |
| 4.3.2 机器人局部避障算法 |
| 4.3.3 机器人路径规划的的实验 |
| 4.4 移动机器人控制速度转换 |
| 4.5 本章小结 |
| 第5章 移动机器人测试与导航实验 |
| 5.1 机器人速度跟随的实验 |
| 5.2 机器人室内环境的导航实验 |
| 5.3 机器人室外环境的行驶实验 |
| 5.4 机器人室外环境的导航实验 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| A. 攻读硕士学位期间发表的论文 |
| B. 作者在攻读硕士学位期间参加的科研项目 |
| C. 作者在攻读硕士学位期间获得的荣誉 |
（10）基于多传感器信息融合技术的高速公路交通事件检测方法研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 问题的提出 |
| 1.1.2 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高速公路交通事件检测国内外研究现状 |
| 1.2.2 多传感器信息融合国内外研究现状 |
| 1.3 论文内容结构与创新点 |
| 1.3.1 技术路线及主要内容 |
| 1.3.2 论文主要创新点 |
| 1.4 小结 |
| 2 多传感器信息融合及高速公路交通事件基本理论 |
| 2.1 多传感器信息融合理论 |
| 2.1.1 多传感器信息融合的概念及基本原理 |
| 2.1.2 多传感器信息融合的结构及层次 |
| 2.1.3 多传感器信息融合方法及比较 |
| 2.2 高速公路交通事件 |
| 2.2.1 交通事件概念及分类 |
| 2.2.2 交通事件占用高速公路资源的特性分析 |
| 2.2.3 交通事件对高速公路交通流的影响 |
| 2.3 高速公路交通事件信息融合 |
| 2.3.1 高速公路交通信息采集技术 |
| 2.3.2 交通事件信息融合理论探讨 |
| 2.4 高速公路交通信息预处理技术 |
| 2.4.1 交通数据故障识别方法 |
| 2.4.2 交通数据处理方法选取 |
| 2.5 小结 |
| 3 高速公路交通事件检测方法分析 |
| 3.1 交通事件检测方法 |
| 3.1.1 检测原理及方法分类 |
| 3.1.2 常用AID算法分析 |
| 3.2 常用交通事件检测算法评价 |
| 3.2.1 AID算法的评价指标及评价方法 |
| 3.2.2 常用AID算法的性能比较 |
| 3.3 基于多传感器信息融合技术的AID方法 |
| 3.3.1 基于单一传感器信息的AID方法的问题分析 |
| 3.3.2 基于多传感器信息融合技术的AID方法的提出 |
| 3.4 小结 |
| 4 基于多传感器信息融合技术的AID方法设计 |
| 4.1 AID方法的信息融合模型设计 |
| 4.2 信息融合模型算法选择 |
| 4.2.1 概率神经网络和学习矢量量化神经网络 |
| 4.2.2 人工神经网络模型选择 |
| 4.3 AID方法的特征参数的选取 |
| 4.3.1 特征参数的选取原则 |
| 4.3.2 AID方法特征参数的变化特性分析及选取 |
| 4.4 基于特征级融合的AID方法设计 |
| 4.4.1 AID方法的工作过程 |
| 4.4.2 神经网络结构设计 |
| 4.5 基于决策级融合的AID方法设计 |
| 4.5.1 AID方法的工作过程 |
| 4.5.2 神经网络结构设计 |
| 4.6 小结 |
| 5 案例分析 |
| 5.1 研究对象及数据说明 |
| 5.2 数据预处理 |
| 5.2.1 数据滤波处理 |
| 5.2.2 归一化处理 |
| 5.3 仿真结果分析 |
| 5.3.1 基于特征级融合的AID方法有效性分析 |
| 5.3.2 基于决策级融合的AID方法有效性分析 |
| 5.4 小结 |
| 6 主要结论及展望 |
| 6.1 论文的主要结论 |
| 6.2 论文展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
四、基因多传感器信息融合的道路收费系统（论文参考文献）
- [1]基于AUTOSAR的电动车传感器信号处理组件接口及融合算法的研究与实现[D]. 张卓. 吉林大学, 2020(08)
- [2]基于多源信息融合的智能汽车环境感知算法开发及测试评价[D]. 白林. 重庆交通大学, 2020(01)
- [3]基于多模态信息融合和自适应进化神经网络的汽车运行与安全智能感知方法研究[D]. 杨志刚. 深圳大学, 2019(01)
- [4]考虑多源检测设备分布情况的高速公路路段拥堵检测[D]. 冯寻. 重庆大学, 2019(01)
- [5]基于多源LSSVM的车型识别方法研究[D]. 曾杰. 西安工业大学, 2019(03)
- [6]基于智能轮胎与微波雷达的桥梁快速测试方法与系统开发[D]. 赵文举. 东南大学, 2020(01)
- [7]信息环境下智能火力与指挥控制关键技术研究[D]. 毕文豪. 西北工业大学, 2018(02)
- [8]地面多传感器协同探测关键技术研究与开发[D]. 张文. 大连理工大学, 2018(02)
- [9]移动机器人室外导航系统研究与研发[D]. 韩杰. 东北大学, 2017(06)
- [10]基于多传感器信息融合技术的高速公路交通事件检测方法研究[D]. 刘力. 北京交通大学, 2008(08)