基于D-S证据理论的融合事件检测算法研究

发布时间：2017-03-29 22:19

  本文关键词：基于D-S证据理论的融合事件检测算法研究，，由笔耕文化传播整理发布。

【摘要】：随着城市规模的扩大和城市人口的增加,交通拥堵成为城市交通的突出问题。造成交通拥堵的一个主要因素是交通事件,交通事件对城市交通的影响巨大,不仅造成人员伤亡和财产损失,还导致道路交通拥挤,甚至造成局部或者整个路网的瘫痪。为了对交通事件进行有效的检测,降低交通事件的影响,需要利用有效的检测设备和检测方法对交通事件进行检测。然而由于采集环境、信号传输等原因造成检测器采集到的交通流数据存在不同类型的质量问题,采用单一的事件检测算法检测效果不理想,容易产生误检和漏检的现象。基于上述因素本文提出了基于D-S证据理论的融合事件检测算法,以提高单一事件检测算法检测性能较差的缺陷。首先,本文根据交通事件前后的交通流变化规律和历史交通流数据提出了多参数California算法、断面流量——速度算法和神经网络算法。多参数California算法采用的是交通流的占有率数据,而断面流量——速度算法采用的是速度和流量数据,分别采用不同交通流参数进行事件检测的优势是当某项交通流参数缺失时可以利用另一种检测算法进行检测。基于神经网路的事件检测算法在处理多维非线性的交通流数据方面具有独特的优势,本文将神经网络算法作为融合算法的一个子算法,并通过实际数据验证算法具有较高的检测率和较低的误报率。其次,本文提出了基于D-S证据理论的融合事件检测算法,将三个单一子算法的检测结果利用D-S证据理论进行有效的融合,论文对D-S证据理论的融合规则、决策规则进行了详细的说明。最后,为了验证算法的有效性,本文采用北京市快速路的交通流数据进行算法的验证。通过实例验证,本文提出的融合事件检测算法在检测性能上优于三种事件检测子算法,尤其在降低误报率方面该融合算法体现出了较高的检测性能。
【关键词】：事件检测算法 城市快速路 D-S证据理论 信息融合
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP202
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 绪论11-21
• 1.1 研究背景11-12
• 1.2 研究目的和意义12-13
• 1.3 国内外研究现状13-19
• 1.3.1 国外研究现状13-17
• 1.3.2 国内研究现状17-19
• 1.4 研究内容19-20
• 1.5 本章小结20-21
• 2 交通事件自动检测算法概述21-33
• 2.1 交通事件定义与分类21-23
• 2.1.1 交通流的度量参数22
• 2.1.2 交通事件对交通流的影响22-23
• 2.2 交通事件检测系统23-26
• 2.2.1 事件检测方法分类23-25
• 2.2.2 事件检测系统框架25-26
• 2.3 评价指标26-27
• 2.4 经典事件自动检测算法概述27-31
• 2.4.1 比较法27-28
• 2.4.2 统计预测法28-30
• 2.4.3 高级事件检测算法30-31
• 2.5 本章小结31-33
• 3 交通数据的预处理33-45
• 3.1 数据介绍33-34
• 3.2 数据质量问题34
• 3.3 交通数据的预处理34-43
• 3.3.1 数据预处理流程34-35
• 3.3.2 缺失数据的检测与恢复35-37
• 3.3.3 冗余数据的检测与剔除37-38
• 3.3.4 错误数据的检测与修正38-40
• 3.3.5 数据预处理示例40-43
• 3.4 本章小结43-45
• 4 基于单一数据源的快速路事件检测算法45-59
• 4.1 多参数Califomia算法46-50
• 4.1.1 多参数California算法介绍46-49
• 4.1.2 多参数California算法实例验证49-50
• 4.2 断面流量——速度事件检测算法50-53
• 4.2.1 断面流量——速度算法介绍50-53
• 4.2.2 断面流量——速度算法实例验证53
• 4.3 神经网络算法53-57
• 4.3.1 算法介绍54-56
• 4.3.2 神经网络算法实例验证56-57
• 4.4 本章小结57-59
• 5 基于D-S证据理论的融合事件检测算法59-77
• 5.1 数据融合59-63
• 5.1.1 数据融合的概念59-61
• 5.1.2 数据融合方法61-62
• 5.1.3 综合判断快速路事件检测算法结构62-63
• 5.2 D-S证据理论63-68
• 5.2.1 基本定义65-66
• 5.2.2 D-S理论合成规则66-68
• 5.3 基于D-S证据理论的融合事件检测算法68-71
• 5.4 算法有效性分析71-75
• 5.5 本章小结75-77
• 6 总结与展望77-79
• 6.1 总结77-78
• 6.2 展望78-79
• 参考文献79-83
• 作者简历及攻读硕士学位期间取得的研究成果83-87
• 学位论文数据集87

【相似文献】

中国期刊全文数据库 前10条

1 李向莉,吕建平;D-S证据理论在多传感器信息融合中的改进[J];现代电子技术;2005年16期

2 张乐星;;用D-S证据理论实现多传感器信息融合的一种改进算法[J];传感器世界;2006年10期

3 朱静;高会生;李聪聪;;基于D-S证据理论的信息安全风险评估[J];华北电力大学学报(自然科学版);2008年04期

4 崔智军;王庆春;;基于D-S证据理论的多传感器数据融合[J];现代电子技术;2011年12期

5 刘振兴;李明图;;基于加权D-S证据理论的辐射源目标识别[J];现代防御技术;2011年03期

6 黄瑛,陶云刚,周洁敏,苏登军;D-S证据理论在多传感器数据融合中的应用[J];南京航空航天大学学报;1999年02期

7 孙文斌;李洪党;;基于D-S证据理论的火灾检测方法研究[J];自动化博览;2006年S2期

8 惠增宏;;基于加权D-S证据理论的分布式多传感器目标识别[J];计算机应用;2007年01期

9 李可心;徐国鑫;;基于D-S证据理论的空中目标识别[J];红外与激光工程;2007年S2期

10 杨帆;刘畅;;基于D-S证据理论的多传感器目标识别应用[J];武汉工程大学学报;2009年01期

中国重要会议论文全文数据库 前10条

1 胡玉兰;范晓静;;基于D-S证据理论改进方法的目标识别[A];第二十七届中国控制会议论文集[C];2008年

2 佘二永;;一种基于D-S证据理论的高光谱图像分类方法[A];2009年通信理论与信号处理学术年会论文集[C];2009年

3 杨帆;浦昭邦;刘国栋;;基于D-S证据理论的多指纹数据融合[A];首届信息获取与处理学术会议论文集[C];2003年

4 肖云;彭进业;王选宏;赵健;;基于D-S证据理论的漏洞动态严重性分析[A];第二十九届中国控制会议论文集[C];2010年

5 边宝峰;马平;;基于模糊神经网络和D-S证据理论的信息融合方法的研究[A];第二十三届中国控制会议论文集（下册）[C];2004年

6 王勇平;杨晓段;李元左;;基于D-S证据理论的装备质量管理风险评估模型[A];第九届中国软科学学术年会论文集（上册）[C];2013年

7 杨帆;浦照邦;刘国栋;;基于D-S证据理论的多指纹数据融合[A];全面建设小康社会：中国科技工作者的历史责任——中国科协2003年学术年会论文集（上）[C];2003年

8 张佑春;王平;张公永;;基于D-S证据理论和神经网络的信息融合方法及应用[A];第二十七届中国控制会议论文集[C];2008年

9 周浔;王晓丽;;粗BP神经网络和D-S证据理论在目标识别中的应用[A];第十九届测控、计量、仪器仪表学术年会(MCMI'2009)论文集[C];2009年

10 杜瀊;李秋华;;基于D-S证据理论的红外双波段图像目标融合分割[A];2009年先进光学技术及其应用研讨会论文集（上册）[C];2009年

中国博士学位论文全文数据库 前1条

1 李菁;基于D-S证据理论的残疾人体育器材研发中评价模型的构建[D];上海体育学院;2012年

中国硕士学位论文全文数据库 前10条

1 蔡斌斌;基于D-S证据理论的多准则特征集优选方法[D];西南交通大学;2015年

2 高丽娟;基于改进的D-S证据理论的航空电源故障诊断[D];安徽工程大学;2015年

3 程子成;D-S证据理论中信任函数概率逼近方法研究[D];江西师范大学;2015年

4 温迪;基于D-S证据理论的航空发动机气路故障信息融合与FMECA分析[D];电子科技大学;2014年

5 秦鹏;基于最小二乘支持向量机和D-S证据理论的电力变压器故障诊断研究[D];兰州交通大学;2015年

6 鹿高娜;基于D-S证据理论的融合事件检测算法研究[D];北京交通大学;2016年

7 周军;基于D-S证据理论的多模型网络安全态势预测研究[D];西安电子科技大学;2010年

8 陈淑娟;基于D-S证据理论的多传感器数据融合危险预警系统[D];北京化工大学;2010年

9 曹兆泉;基于D-S证据理论的信息系统安全等级测评结果判决方法研究[D];北京邮电大学;2010年

10 徐培玲;开放识别框架D-S证据理论合成规则研究[D];中北大学;2008年

  本文关键词：基于D-S证据理论的融合事件检测算法研究，由笔耕文化传播整理发布。

本文编号：275555