智能运输系统概论第4章.ppt

* * * * 第一级 不同地点、同一时刻多传感器交通参数融合问题：统计分析方法 交通参数间的融合问题：数理统计算法 第二级 又称特征级，是指先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理。利用上一层次融合之后的准确、可靠的基础交通参数，融合出交通状态信息，为交通管理者和交通参与者提供更有决策价值的交通信息。 交通信息融合技术的应用 4.3.2 多源多维实时动态交通信息融合技术 第二级 需要注意的是，道路交通状态是一个模糊的概念，有必要对它进行量化处理，例如模糊逻辑允许交通状况被定义成“不拥挤”、“拥挤”、“小事故”、“大事故”，对应于4个数值区间。 第三级 又称决策级，是直接针对具体决策目标的最终结果。 交通信息融合技术的应用 4.3.2 多源多维实时动态交通信息融合技术 信息融合技术的三个层次均有自己不同的应用。而信息融合本身作为一种数据处理技术，涉及到许多学科和技术的应用。下面简要介绍几种信息融合的方法。 交通信息融合方法大致分为两大类：概率统计方法和人工智能方法。 人工智能方法又分为两种：逻辑推理方法和学习方法。与概率统计有关的方法包括：估计理论、卡尔曼滤波、假设检验、贝叶斯方法、统计决策理论以及其他变形的方法。概率统计方法可以在融合的各个层次上使用。常用的逻辑推理方法包括概率推理、证据推理、模糊推理和产生式规则等。常用的学习方法包括神经网络、映射学习方法、数据挖掘等。 交通信息融合的主要方法 4.3.2 多源多维实时动态交通信息融合技术 贝叶斯估计 是统计学方法的一种。经典统计学基于总体信息和样本信息进行统计推断。贝叶斯估计基于总体信息、样本信息和先验信息进行统计和推理。重视总体信息和样本信息的同时，还注意先验信息的收集、挖掘和加工，使其数量化，形成先验分布参加到统计推断中来，提高统计推断的质量。 证据推理 Dempster-Shafer证据推理是贝叶斯方法的扩展。在贝叶斯方法中，所有缺乏信息的前提环境中的特征指定为一个等价的先验概率。证据推理可避免这一缺点。 4.3.2 多源多维实时动态交通信息融合技术 交通信息融合的主要方法 神经网络 具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错性等特性，在很多方面都有广泛的应用。 基于神经网络的多源信息集成与融合有如下特点：具有统一的内部知识表示形式；可将知识规则转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识的自动获取及进行联想推理；能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号。由于神经网络具有大规模并行处理信息的能力，使得系统信息处理速度很快。 4.3.2 多源多维实时动态交通信息融合技术 交通信息融合的主要方法 模糊逻辑 基本思想是把普通集合中的绝对隶属关系灵活化，使元素对集合的隶属度从原来只能取{0，1}中的值扩充到可以取[0，1]区间中的任一数值，很适合于用来对传感器信息的不确定性进行描述和处理。 基于模糊逻辑理论的信息融合方法可以将通常以概率密度函数或模糊关系函数形式给出的不同检测器的评价指标变换为单值评价指标，该指标不仅能反映每一种检测器所提供的信息，而且能反映从单个传感器无法得到的知识。 4.3.2 多源多维实时动态交通信息融合技术 交通信息融合的主要方法 粗糙集理论 是继概率论、模糊集、证据理论之后的又一个处理不确定性的数学工具。 粗糙集理论在多源数据分析中解决的基本问题包括发现属性间的依赖关系、约简冗余属性与对象、寻求最小属性子集以及生成决策规则等等。粗糙集与其他不确定性问题理论的最显著区别是无需提供任何先验知识，而是从给定问题的描述集合直接出发，找出问题的内在规律。常用来对目标进行定性分析。 4.3.2 多源多维实时动态交通信息融合技术 交通信息融合的主要方法 卡尔曼滤波 采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器，并利用状态方程的递推性，按线性无偏最小均方误差估计准则，采用一套递推算法对该滤波器的状态变量作最佳估计，从而求得滤掉噪声后有用信号的最佳估计。 卡尔曼滤波用于实时融合动态的低层次冗余多源数据，用测量模型的统计特性递推决定统计意义下的最优融合数据估计。卡尔曼滤波的递推特性使得系统数据处理不需要大量的数据存贮和计算。 4.3.2 多源多维实时动态交通信息融合技术 交通信息融合的主要方法 * * * * * * * * * * * * * * * * * * * * * * * * 智能运输系统概论（第三版） 普通高等教育“十一五”国家级规划教材 21世纪交通版高等学校教材 杨兆升 于德新 主编 史其信 高世廉 主审 目 录 第1章 绪论 第2章 智能运输系统的体系框架 第3章 智能运输系统的理论基础 第4章 交通信