学位论文 > 优秀研究生学位论文题录展示
基于车载3D加速传感器的路况监测研究
作 者: 魏明明
导 师: 邱天爽
学 校: 大连理工大学
专 业: 电子与通信工程
关键词: 智能交通系统 3D加速度传感器 混合高斯背景模型 支持向量机
分类号: TP274
类 型: 硕士论文
年 份: 2011年
下 载: 24次
引 用: 0次
阅 读: 论文下载
内容摘要
近年来我国城市的发展速度越来越快,随之而来的就是人口和车辆的不断增加,这在交通管理、道路养护、市民出行和节能减排等各个方面都给城市的发展带来了巨大的压力。为了减轻这种压力人们开始研究智能交通系统。虽然我国目前在基于(出租)车载GPS技术的交通路况显示系统方面取得了良好的进展,但是隐含在海量GPS数据里的深层信息并没有被挖掘出来,现代传感技术和3G通讯技术也没有被充分利用,这使政府在交通政策的制定和对出租车运营的管理缺乏先进的技术手段。所以,对结合车载传感技术、无线通讯技术和海量数据挖掘技术的出租车智能监管的研究以及对已有的GPS数据的分析和应用具有重大的理论意义和应用价值。本文系统地研究了车载传感器技术在公共交通中的一个具体应用,即基于车载式3D加速度传感器的路面状况检测,并对从3D加速度传感器采集的关于路面状况的数据做了深入的分析和研究,给出了当前路面状况的检测结果。本文主要做了以下几项工作:首先,概述了车载传感器网络在智能交通系统中的研究背景和研究意义,以及国内外的研究现状和进展。并简单介绍了车载传感器网络的系统结构和系统功能。其次,对通信系统中常见的噪声以及去噪算法做了理论分析,并给出了各种算法的实验结果。分别为奇异值分解(SVD)法、经验模式分解(EMD)法及自适应滤波器法。同时,还分析了信号性能给出了传统滤波器的缺点。最后对这几种算法从理论和结果上做了分析,从中找到了一种适合于车载式的3D加速度传感器信号的算法,即经验模式分解法。第三,研究了一种基于车载式3D加速度传感器的路面异常事件提取方法,即混合高斯背景模型法。弥补了中值滤波法建立背景模型时需要较大的存储空间,卡尔曼滤波法建立背景模型时计算时间长以及单高斯背景模型法无法成功的应用到现实中的缺点。并且该方法针对不同的事件表现出了很好的性能。第四,在己提取异常事件的基础上,给出了一种基于车载式3D加速度传感器的路面异常事件分类的方法,即基于EMD提取特征的支持向量机分类法。并与k近邻分类法做了对比,发现支持向量机作为分类器从效果和性能上要优于k近邻分类器,并弥补了k近邻分类法中k值选取难度的缺点。最后,本文对基于车载式3D加速度传感器的路面状况检测的研究工作进行了总结,给出了从路面异常事件的提取到路面异常事件分类的两个新算法,并对下一步的工作做出了展望。
|
全文目录
摘要 4-5Abstract 5-91 绪论 9-14 1.1 智能交通系统的基本概念及发展历程 9 1.2 车载传感器网络的概念与应用 9-10 1.3 车载传感器网络在公共交通中应用的研究背景、研究意义 10-11 1.4 车载传感器网络的国内外进展与现状 11-12 1.5 本文的主要工作 12-142 车载传感器网络的系统及应用 14-22 2.1 系统基本结构 14-16 2.1.1 嵌入式车载系统平台 15 2.1.2 中心处理系统 15-16 2.1.3 嵌入式车载试验平台 16 2.2 系统基本功能 16-19 2.2.1 嵌入式车载传感器及其控制系统 16-17 2.2.2 数据交换接口 17-19 2.3 基于GIS的数据呈现系统 19-20 2.4 基于车载传感器网络的路面状况监测系统 20-223 基于车载式3D加速度传感器的数据预处理 22-41 3.1 通信系统中常见噪声及去噪算法 22-23 3.2 信号性能分析 23-27 3.2.1 基于3D加速度传感器的信号频谱分析 23-26 3.2.2 数字滤波器的基本原理及缺点 26-27 3.3 奇异值分解(SVD)去噪法 27-31 3.3.1 奇异值(SVD)分解降噪原理 27-29 3.3.2 实验结果及分析 29-31 3.4 自适应滤波去噪法 31-36 3.4.1 自适应滤波去噪的基本原理 32-34 3.4.2 实验结果及分析 34-36 3.5 经验模式分解去噪法 36-40 3.5.1 经验模式分解去噪法的基本原理 36-38 3.5.2 实验结果及分析 38-40 3.6 小结 40-414 基于车载式3D加速度传感器的路面异常事件提取 41-51 4.1 高斯混合背景模型法的概念及应用 41-42 4.2 几种常见的背景建模方法 42-45 4.2.1 单高斯背景模型法 42-43 4.2.2 中值滤波背景建模方法 43 4.2.3 卡尔曼滤波背景建模方法 43-45 4.3 高斯混合背景建模算法 45-48 4.3.1 高斯混合模型参数估计 46-47 4.3.2 异常事件提取 47-48 4.4 高斯混合背景模型方法与其他方法的比较 48-50 4.5 小结 50-515 基于车载式3D加速度传感器的路面异常事件的分类 51-62 5.1 基于EMD的事件特征提取 52-54 5.2 支持向量机(SVM)的概念与原理 54-56 5.2.1 支持向量机的基本概念 54 5.2.2 支持向量机的原理 54-56 5.3 k近邻算法(KNN)的概念与原理 56-58 5.3.1 什么是k近邻算法 57 5.3.2 k近邻算法的原理 57-58 5.4 SVM与KNN的比较 58 5.5 基于SVM的路面异常事件的分类结果与分析 58-61 5.6 小结 61-626 总结 62-63结论 63-65参考文献 65-68攻读硕士学位期间发表学术论文情况 68-69致谢 69-70
|
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 基于支持向量机的故障诊断方法研究,TP18
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
- 基于EMD的车牌识别方法及应用,TP391.41
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- 基于机器学习的入侵检测系统研究,TP393.08
- 支持向量机回归在短期电力负荷预测中的应用研究,TM715;F224
- 面向文本分类的改进K近邻的支持向量机算法研究,TP391.1
- 基于AdaBoost算法的人脸识别研究,TP391.41
- 面向肺部CAD的特征提取、选择及分类方法研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化技术及设备 > 自动化系统 > 数据处理、数据处理系统
© 2012 www.xueweilunwen.com
|