数据融合技术在交通管理系统中的应用王娟娟..docVIP

多传感器数据融合技术在交通管理系统中的应用 The application of multi-sensor data fusion technology in traffic management system 姓名： 王娟娟 学号：201500357009 导师： 刘云学 摘要：随着科学技术的发展，在近十年的时间里，人们在不同的电子信息系统中利用大量的不同类型的传感器，在军事领域利用各类传感器所收集的大量信息和情报进行分析、处理、综合，因此多传感器数据融合技术迅速发展成为一个新的学科方向和研究领域。现代生活层次的不断提高，车辆交通方便，同时交通管理也变得越来越重要，想要更好的管理交通系统，对交通基础数据的预测不容忽略，而多传感器数据融合在交通管理系统中的作用不容小觑，在交通流大的情况下，多传感器数据融合技术的优点尤为突出，并逐渐成为交通管理系统的主要工具。 一、引言： 多传感器数据融合（MULTISENSOR DATA FUSION）这一术语经常出现在大量的文献资料中，但迄今为止，对其尚未有一个普适的和明确的定义，出现这种情况的主要原因是这一研究领域覆盖范围的广泛性和多样性。美国国防部实验室联谊会数据融合专家组在其 1991 年出版的数据融合字典中对传感器和数据融合给出了如下定义： 数据融合是把来自许多传感器和信息源的数据和信息加以联合、相关和组合，以获得精确的位置估计和身份估计，以完成对战场态势和威胁以及其重要程度进行实时的、完整的评价的处理过程。 多传感器信息融合研究的对象是各类传感器提供的信息，它是一种针对单一传感器或多传感器数据或信息的处理技术,通过数据关联、相关和组合等方式以获得对被测环境或对象的更加精确的定位、身份识别以及对当前态势和威胁的全面而及时的评估。因此随着工业化进程的复杂性，其应用也不仅仅局限于军事领域，更多的应用于日常的生活中，交通管理系统就是多传感器数据融合技术应用中的一项重要应用。 传感器网络为智能交通系统获取准确的交通参数如车速、交通流量及道路占有率等，这些参数是实施交通管理的基础。传统的监测传感器如感应线圈、摄像机等制约了现有系统的可扩展性并影响了网络的效率，而基于多传感器数据融合技术的多源交通信息数据的融合可获取比传统传感器更精确的交通信息，实现更加有效的交通监控和管理、节能减排等应用，包括电子收费、停车管理、路口交通诱导等等。 交通信息的高效是建立在准确、丰富的动态道路信息基础上的，因此，单一的传感器检测难以满足要求，适当增加同类传感器只数可以消除单一传感器所带来的局限性，利用数据融合技术可以你减少数据处理过程中的错误率，利用多传感器数据融合技术能够更好的预测交通信息，引导人们出行，保证安全。 二、多传感器数据融合方法 1、多传感器数据融合原理 基本原理：将被测对象的非电物理特征量通过传感器和变送器转换成为电信号，然后经过A/D转换将现场参数变为可由计算机处理的数字量。数字化后的电信号经过预处理，以滤除数据采集过程中现场环境下的干扰和噪声，经处理后的目标信号作特征提取，根据所提取的特征信号进行数据融合，输出最终结果。 原理如图所示： 2、数据融合的功能模型及结构模型 数据融合系统的结构模型有多种形式。按对位置融合抽象的层次不同有:集 中式(中心级):将量测数据送到融合中心；分布式(传感器级):将处理后的数据送到融合中心；混合(hybrid)结构:集中式/分布式的结合。按传感器网络拓扑结构的不同可分为:并联融合结构、串联融合结构、树型(tree)融合结构、网状(mesh)融合结构。以上分类是从不同的侧面对数据融合结构进行了描述;对于一个实际应用系统结构而言，可能是以上几类分法结构的综合。 目前最具代表性和权威性的功能模型是JDL提出的:将数据融合处理分为四层，第一层为目标跟踪、第二层为态势评估、第三层为基于粗糙集多目标跟踪的数据融合算法研究威胁估计，第四层为数据融合过程的管理。我国数据融合专家何友将数据融合的功能模型分为五个层次:检测层融合、位置(跟踪)层融合、属性(目标识别)层融合、态势评估和威胁评估。 3、数据融合算法分析 多传感器是数据融合的硬件。多传感器的观测数据是数据融合的对象，融合 的算法则是数据融合的核心。 基于统计信号处理的方法包括 Kalman 滤波，概率密度互联滤波（PDAF），联合概率密度互联滤波（JPDAF），交互式多模型方法（JMM）等都与目标跟踪和状态估计密切相关，主要应用于军事及相关领域，其应用目的和信号特点在工业领域相差较远。我们关心的算法集中在与工业应用联系紧密的方法。这些主要针对决策融合。决策融合的算法基本上基于概率、统计以及其它不确定测度。融合算法的基本过程就是一个决策过程。而在不同的工业