目錄
“信息化與工業(yè)化兩化融合研究與應(yīng)用”叢書序
序
前言
第一章緒論1
1.1引言1
1.2信息融合起源與內(nèi)涵1
1.3信息融合基本概念3
1.3.1信息融合原理3
1.3.2信息融合處理過程3
1.3.3信息融合層次4
1.4信息融合技術(shù)發(fā)展6
1.4.1國外發(fā)展6
1.4.2國內(nèi)發(fā)展8
1.5交通系統(tǒng)的信息融合問題9
1.5.1智能交通系統(tǒng)9
1.5.2智能交通系統(tǒng)的信息融合模型9
1.5.3交通系統(tǒng)的信息融合研究方向10
參考文獻(xiàn)14
第二章信息融合的理論基礎(chǔ)16
2.1引言16
2.2貝葉斯網(wǎng)絡(luò)16
2.2.1概率論及概率推理16
2.2.2貝葉斯網(wǎng)絡(luò)18
2.2.3貝葉斯網(wǎng)絡(luò)推理19
2.2.4貝葉斯網(wǎng)絡(luò)學(xué)習(xí)21
2.3人工神經(jīng)網(wǎng)絡(luò)24
2.3.1人工神經(jīng)元與感知器24
2.3.2神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)27
2.3.3神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)32
2.4聚類分析33
2.4.1相似性度量34
2.4.2類和類的特征35
2.4.3常用的聚類分析方法37
2.5主成分分析39
2.5.1主成分分析的基本理論40
2.5.2總體主成分及其性質(zhì)40
2.5.3樣本主成分的導(dǎo)出46
2.5.4主成分分析步驟及框圖49
2.6證據(jù)理論50
2.6.1D-S證據(jù)理論概述51
2.6.2基于D-S證據(jù)理論的信息融合53
2.7支持向量機(jī)56
2.7.1統(tǒng)計學(xué)習(xí)理論的一般概念56
2.7.2學(xué)習(xí)機(jī)的VC維與風(fēng)險界57
2.7.3線性支持向量機(jī)59
2.7.4非線性支持向量機(jī)63
參考文獻(xiàn)65
第三章多傳感器信息融合系統(tǒng)67
3.1引言67
3.2傳感器的定義和基本特性67
3.2.1傳感器的定義和數(shù)學(xué)模型67
3.2.2傳感器的基本特征69
3.2.3交通領(lǐng)域常用傳感器69
3.3多傳感器信息融合原理和特點78
3.3.1多傳感器信息融合定義78
3.3.2多傳感器信息融合原理78
3.3.3多傳感器信息融合特點80
3.4多傳感器信息融合系統(tǒng)的模型81
3.4.1功能模型81
3.4.2結(jié)構(gòu)模型83
3.5信息融合系統(tǒng)的設(shè)計方法與原則89
3.5.1分析問題和確定任務(wù)89
3.5.2硬件系統(tǒng)設(shè)計原則89
3.5.3軟件系統(tǒng)設(shè)計原則90
3.5.4傳感器類型確定原則92
參考文獻(xiàn)94
第四章交通視覺增強(qiáng)的信息融合96
4.1引言96
4.2基于視頻圖像處理的交通視覺增強(qiáng)方法96
4.2.1基于圖像空域變換的視覺增強(qiáng)方法96
4.2.2基于圖像頻域濾波的視覺增強(qiáng)方法102
4.2.3基于圖像復(fù)原處理的視覺增強(qiáng)方法103
4.3基于多傳感器信息融合的交通視覺增強(qiáng)方法109
4.3.1多傳感器信息融合實現(xiàn)交通視覺增強(qiáng)理論模型109
4.3.2基于多傳感器融合的交通視覺增強(qiáng)方法110
參考文獻(xiàn)117
第五章行人識別系統(tǒng)的信息融合119
5.1引言119
5.2激光雷達(dá)與攝像機(jī)融合預(yù)處理120
5.2.1激光雷達(dá)幾何模型120
5.2.2攝像機(jī)成像模型122
5.2.3激光雷達(dá)與攝像機(jī)標(biāo)定124
5.3基于激光雷達(dá)的行人識別方法127
5.3.1激光雷達(dá)點云數(shù)據(jù)及其處理127
5.3.2傳統(tǒng)DBSCAN聚類算法128
5.3.3改進(jìn)的DBSCAN算法131
5.3.4算法的驗證132
5.4基于攝像機(jī)的行人識別方法136
5.4.1行人檢測模型137
5.4.2車載行人檢測算法145
5.5基于神經(jīng)網(wǎng)絡(luò)的行人識別方法153
5.5.1決策層信息融合153
5.5.2神經(jīng)網(wǎng)絡(luò)154
5.5.3基于神經(jīng)網(wǎng)絡(luò)的信息融合方法155
參考文獻(xiàn)157
第六章車路協(xié)同系統(tǒng)的信息融合160
6.1引言160
6.2車路信息協(xié)同感知技術(shù)框架160
6.2.1車路通信技術(shù)160
6.2.2車載信息系統(tǒng)162
6.2.3路側(cè)感知技術(shù)163
6.2.4車路協(xié)同下的信息融合164
6.2.5車路信息融合技術(shù)難點166
6.3基于車路協(xié)同的車速自適應(yīng)控制167
6.3.1路面狀態(tài)感知167
6.3.2車速自適應(yīng)控制170
6.4基于車路協(xié)同的車輛狀態(tài)與軌跡跟蹤178
6.4.1感知建模178
6.4.2基于多模型的融合估計算法181
6.4.3仿真驗證184
參考文獻(xiàn)191
第七章駕駛疲勞識別系統(tǒng)的信息融合193
7.1引言193
7.2駕駛疲勞試驗設(shè)計194
7.2.1道路場景設(shè)計194
7.2.2試驗設(shè)計194
7.2.3試驗數(shù)據(jù)采集195
7.2.4試驗數(shù)據(jù)預(yù)處理195
7.3縱向操作特征與駕駛疲勞197
7.3.1車速分析198
7.3.2加速度分析199
7.4橫向操作特征與駕駛疲勞204
7.4.1橫向操作數(shù)據(jù)說明204
7.4.2轉(zhuǎn)向角幅值分析204
7.4.3轉(zhuǎn)向角速度分析208
7.5基于信息融合的駕駛疲勞行為識別210
7.5.1基于主成分分析的駕駛疲勞特征提取211
7.5.2基于聚類分析的駕駛疲勞行為213
7.5.3基于PCA主成分的駕駛疲勞聚類分析217
7.5.4基于神經(jīng)網(wǎng)絡(luò)算法的駕駛疲勞218
7.5.5駕駛疲勞識別效果分析224
參考文獻(xiàn)225
第八章水上交通系統(tǒng)風(fēng)險識別的信息融合228
8.1引言228
8.2水上交通系統(tǒng)風(fēng)險概述228
8.2.1水上交通系統(tǒng)構(gòu)成228
8.2.2水上交通事故類型與分級230
8.3不確定條件下的通航風(fēng)險識別方法233
8.3.1通航系統(tǒng)風(fēng)險因素的層次模型233
8.3.2基于模糊層次分析法的通航風(fēng)險識別235
8.3.3枯水期長江通航風(fēng)險識別案例研究239
8.4面向避碰規(guī)則的船舶智能避碰算法246
8.4.1國際海上避碰規(guī)則246
8.4.2兩船會遇避碰246
8.4.3多船會遇避碰252
8.4.4船舶智能避碰算法實例259
參考文獻(xiàn)268