信息融合技术课程作业仿真报告参考模板.docx
- 文档编号:15801433
- 上传时间:2023-07-07
- 格式:DOCX
- 页数:12
- 大小:389.93KB
信息融合技术课程作业仿真报告参考模板.docx
《信息融合技术课程作业仿真报告参考模板.docx》由会员分享,可在线阅读,更多相关《信息融合技术课程作业仿真报告参考模板.docx(12页珍藏版)》请在冰点文库上搜索。
信息融合技术课程作业仿真报告参考模板
信息融合技术课程作业仿真报告
本报告仿真硕士论文《基于信息融合技术的道路交叉口车流量检测算法研究》,深入理解文中关于数据预处理,空间信息融合,时间信息融合的理论研究;学习了运用模糊理论相关性函数方法处理初始数据的方法,运用加权最小二乘法进行空间信息融合的方法,运用神经网络进行时间信息融合的方法;对照文中所列举公式运用MATLAB软件编程得出自己的仿真结果,对照结果得出自己编写的程序以及该论文中的不足之处并进行相应的改进。
1.关于所需仿真的实际问题的描述
1.1论文内容
在智能交通系统中,为获取被检测对象的全面和完整的交通信息,可采用多个传感器对同一对象进行多方位检测。
多源信息的表现形式具有多样性、复杂性、互补性以及大容量性,能够精确、有效地反映被检测对象的特征,消除信息的不确定性,从而提高检测的可靠性,其信息处理技术不同于单传感器的信息处理技术,因此,需要利用多传感器信息融合技术对多个传感器的检测信息进行分析和集成处理。
由于不同传感器的检测信息只反映了被检测对象的某一方面的特征,且这些信息往往还具有一定的不确定性,所以对这些不确定信息的融合处理过程实质上是一个不确定的推理过程。
在基于多传感器信息融合技术的城市道路交通区域控制系统中,信息融合计算环节是其核心部分。
它的作用是将车辆传感器送来的信息进行综合分析、计算和推理,得出道路的车流量、车流速度、排队长度以及事故状态等交通信息。
在交通检测领域可以将信息融合技术定义为:
一个处理探测、互联、相关、估计以及组合多源信息和数据的多层次多方面的过程,以便获得准确的车辆状态和身份估计,并将相
关信息用于交通管理的决策支持。
1.2个人理解
该文章最终所要得到的量即反映了某地点在某时刻交通状况的一种估计。
用传感器检测和信息融合技术最终把交通运行通畅或者拥堵的定性描述变成在0到1值之间的定量描述。
即0为十分通畅,1为道路拥堵。
而实现这种融合的方法则是把空间和时间分开,因为时空是二个不同的量,不同的量就对其分部进行融合得到估计值。
这样使信息融合效果更好,精确度越高,所反映的值越简洁。
2.信息融合系统的结构设计
传统的多传感器信息融合考虑的主要是在同一时间上属于不同空间的传感器的信息融合,纯空间的信息融合没有考虑在时间域上的特征。
由于城市道路交通流的时空特性,传统的信息融合法对目标特征点描述是不全面的。
该论文中在对多传感器信息融合结构进行设计时,从交叉口间传感器个数,各传感器检测数据的时空特性,信息融合存在的时间性和空间性等几个方面进行考虑,提出了一种多传感器的两级时空融合算法结构,如图1所示。
图1多传感器时空融合算法结构
分布在不同空间位置上的多传感器在对被测参数进行观测时,各传感器在不同时间和不同空间的观测值将不同,从而形成一个观测值集合。
例如s个传感器在11个时刻观测同一个参数可以有sXll个观测值,其集合Z为
Z={Zi(k))0=1,2,...s;k=l,2,...n)
式中:
Zi(k卜第i号传感器在k时刻的观测值。
时空融合的目的是利用观测值集合Z来得到被测量参数的准确估计。
根据本文提出的时空融合的算法结构,融合过程可分为两级,第一级为基于空间的融合估计:
采用基于利用模糊理论中的相关性函数对多传感器的相互支持程度进行计算,应用基于最小二乘原理的信息融合方法,对支持程度高的传感器数据进行融合。
此方法计算简单,客观地反映了各传感器的可靠程度,对测量数据进行融合时不需要其先验信息,获得融合结果精度高。
第二级为基于时间的最优融合估计:
采用神经网络融合算法,将上一级n个时间段的空间融合值作为神经网络的样本值,对网络预测模型进行训练和仿真,寻找其所对应的方案,使得该时刻获得的被测参数的最终估计达到最优。
3.算法理论
3.1空间信息融合算法
3.1.1数据预处理
本文中的8个传感器测量车流量,第i个传感器和第j个传感器测得的数据Xi,XJ。
运用到的仿真公式为:
(3.1)(3.2)
由dij的运算可知0≤dij≤l,且由其运算公式的统计意义可见,dij越小说明第i个传感器被第j个传感器支持的程度越高。
因此,由模糊理论中的相关性函数定义,令
相关性函数f(i|j)的大小表示传感器i被传感器j支持的程度,相关性函数定义为
(3.3)
构造f(i|j)的矩阵,此矩阵为方阵且秩为n,记为C,这里i,j=1,2,…,n。
为了确定各个传感器被其他传感器支持的程度,令
(3.4)
为第i个传感器被其他传感器支持的程度。
3.1.2最小二乘法融合
参数x的估计量
最小二乘估计:
WY=
其中:
i=1,2,…,n
以上两式为基于最小二乘原理的信息融合方法的计算式。
3.2时间信息融合算法
设x-(xl,X2,...Xn)是这8个传感器在n个时间段的空间融合值,将它作为下一级时间信息融合模型(BP网络)的输入,交通流量Y作为输出,即交通流量的融合值,对BP网络进行设计和训练。
图2BP网络融合算法模型
在仿真中并没有用到相关神经网络数学计算公式,所以在这里不写出。
4.仿真过程
4.1实验样本数据
表1实验样本数据
表中yi表示传感器i的值,ti表示第i个时间序列。
4.1数据预处理
4.1.1测量方差σ
因为论文中没有直接给出传感器的测量标准差σ,且只给出每个传感器的8个测试值,所以只能根据仅有的8个测试值估算出标准差。
系统所用传感器都服从高斯一阶分布,所以直接用MATLAB的VAR和sqrt函数求处标准差,具体程序见附录。
图3计算出的8个传感器的标准差
4.1.2置信距离D
这里的置信距离D直接用行列的2次循环嵌套算出,把刚刚算出的标准差σ值带入公式(3.1),再经过循环参照式(3.2)得出仿真矩阵。
图4置信距离矩阵D
4.1.3相关性函数
将上述置信距离矩阵D带入式(3.3)进行仿真计算,运用到MATLAB中的MAX函数,得出各传感器相关性函数
图5相关性函数f2
4.1.4各传感器支持程度
图6各传感器支持程度
4.1.5分析
论文中所算出的各传感器支持程度如下:
[1.00,0.92,0.07,0.75,0.78,0.2,0.83,0.89]
通过比较可以发现,在第6和第8个传感器存在较大偏差,但经过反复推算论证,发现并无计算上的差错,其所列公式正确。
所以偏差的问题出在最先得出的各个传感器的测量标准差上,该标准差在仿真过程中至始至终都参与运算,由于数据量不够大,无法得出各个传感器测量标准差的绝对真值,所以与该论文数据的误差比较大。
但是这样的误差并不妨碍选择支持程度较高的传感器。
在该论文中,根据数据剔除了传感器3与传感器6,这与本人仿真出的结果相符,同样剔除了传感器3和传感器6。
4.2最小二乘法空间融合
在剔除了传感器3和传感器6的数据后,就进行批量最小二乘法的信息融合。
把每组时间上的8个传感器数据进行最小二乘法空间融合。
由于不需要用到最小二乘法推导过程,所以最小二乘法的仿真相对简单。
仿真结果如下图所示
图8空间融合仿真结果
论文中最小二乘法仿真结果如下:
Y=(45,35,38,27,42,39,38,37)
由该数据可以看出,本人所做的仿真结果与论文中的仿真结果存在差异。
经分析,我认为主要原因还是出在传感器方差所带来的误差。
因为在最小二乘法的加权运算公式中,权因子值仍然由传感器测量方差值来确定,前文已经提到传感器测量方差产生误差的来源,所以在仿真过程中出现了较大的误差。
4.3时间信息融合
4.3.1时间融合系统输入值
时间信息融合采用的是神经网络的仿真,神经网络的仿真需要大量的数据对网络进行训练,而在论文中并没有给出其训练网络所用的大量传感器采集数据,只是给出了其在最后测试网络的样本数据。
所以在自己做仿真的时候,我也只是采用了其给的测试数据进行仿真。
其测试样本数据如下表所示:
表2事件信息融合系统输入值
4.3.2归一化处理
归一化的具体作用是归纳统一样本的统计分布性。
归一化有同一、统一、和合一的意思。
我们对采集到的10组数据进行[O1]归一化处理。
经过归一化后的数据对于神经网络更容易训练和学习。
归一化公式如下:
运用该归一化公式,对表2中的样本数据进行归一化处理,处理结果如下图所示:
图9数据归一化结果
4.3.3时间融合
时间融合采用3层BP网络,仿真采用的是MATLAB语句函数进行网络建立,网络训练,网络测试功能,并没有用SIMULINK神经网络工具。
原文采用均方误差性能函数,训练目标为le-3,训练步数为1000。
因为样本少且样本是原文测试用所以已经达到一定的精度,所以为了更进一步,在我仿真的过程中把精度改为1e-4,训练步数1000,学习率0.1,中间层为15层。
图10原文的神经网络训练图
图11仿真的神经网络训练图
如图10,图11所示,可以看到两者的训练步数有着明显的差别,训练曲线大致相同,精度从1e-3提高到了1e-4。
造成步数差别的主要原因有以下几点:
1由于训练样本采用的是论文中的测试样本,而神经网络训练时的输出值采用的是论文在最后所给出的目标结果,即该网络测试比较成熟,所以测试步数差别大。
2中间层神经元的个数也会造成训练步数的差异,神经元越多训练步数越短,但是神经元多会造成冗余,所以根据一般的法则,中间层使用15个神经元。
3学习率的改变也会造成差异。
上述3点使得仿真出来的图与论文原图差别很大,但是同样达到了训练效果。
图12原文仿真结果图
图13仿真结果图
从图12和图13可以看出,原文训练出的神经网络因为数据纷繁复杂,而与我仿真出来的神经网络有很大的区别。
主要原因是我训练时用的就是其预测目标结果,我训练网络然后再和预测目标结果,只是证明了3层BP网络拟合曲线的效果非常好,但是原文献的仿真效果以及我自己仿真的效果到底好不好我就没有办法知道了。
5总结
通过这次信息融合课的仿真作业,我学到很多东西。
首先就是自学能力的重要性,仿真中用到的知识,工具,老师都只是提点一下,其余东西都是从图书馆查书网上查资料得来,自学能力直接导致自己能不能完成此次作业。
第二,对数据预处理方法,空间最小二乘融合,时间神经网络融合有了很具体的感受,并且能够仿真甚至自己在以后可以去设计相似的系统。
第三,对MATLAB的运用有所进步。
但是在这次作业中仍有很多不足。
原文献中对神经网络算法进行了改进,并运用遗传算法对网络的学习率和中间层层数进行了改进,而在我仿真的过程中只是对其原有的神经网络算法进行了仿真,并没有完成全部仿真。
原文中的结果是建立在大量数据的基础上的,这是神经网络本身的一个不足,而我仿真所建立的神经网络是没有办法运用到实际中的。
友情提示:
范文可能无法思考和涵盖全面,供参考!
最好找专业人士起草或审核后使用,感谢您的下载!
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 信息 融合 技术 课程 作业 仿真 报告 参考 模板