数据融合方法优缺点

介绍了目前常用的各种数据融合方法的优缺点。

数据融合方法

随着交通运行状态评价研究的不断发展，对数据的准确性和广泛覆盖性提出了更高的要求，在此基础上，不同的数据融合模型被引进应用于交通领域中来计算不同检测设备检测到的数据。现阶段，比较常用的数据融合方法主要有：表决法、模糊衰退、贝叶斯汇集技术、BP神经网络、卡尔曼滤波法、D．S理论等方法。

1现有方法应用范围

结合数据融合层次的划分，对数据融合方法在智能交通领域的应用作以下归纳总结：

表 数据融合层次及对应的方法

2各种融合方法的优缺点

主要指各种融合方法的理论、应用原理等的不同，呈现出不同的特性。从理论成熟度、运算量、通用性和应用难度四个方面进行优缺点的比较分析，具体内容如下：

(1)理论成熟度方面：卡尔曼滤波、贝叶斯方法、神经网络和模糊逻辑的理论已经基本趋于成熟；D—S证据推理在合成规则的合理性方

介绍了目前常用的各种数据融合方法的优缺点。

面还存有异议；表决法的理论还处于逐步完善阶段。

(2)运算量方面：运算量较大的有贝叶斯方法、D．S证据推理和神经网络，其中贝叶斯方法会因保证系统的相关性和一致性，在系统增加或删除一个规则时，需要重新计算所有概率，运算量大；D．S证据推理的运算量呈指数增长，神经网络的运算量随着输入维数和隐层神经元个数的增加而增长；运算量适中的有卡尔曼滤波、模糊逻辑和表决法。

(3)通用性方面：在这六种方法中，通用性较差的是表决法，因为表决法为了迁就原来产生的框架，会割舍具体领域的知识，造成其通用性较差；其他五种方法的通用性相对较强。

(4)应用难度方面：应用难度较高的有神经网络、模糊逻辑和表决法，因为它们均是模拟人的思维过程，需要较强的理论基础；D．S证据推理的应用难度适中，因其合成规则的难易而定：卡尔曼滤波和贝叶斯方法应用难度较低。

3 适用的交通管理事件

之前数据融合技术在交通领域中的应用多是在例如车辆定位、交通事件识别、交通事件预测等交通事件中，但是几乎没有数据融合技术在交通运行状态评价的应用研究，而本文将数据融合技术应用在交通运行状态评价中，为了寻找到最适用于交通运行状态评价的数据融合技术方法，有必要将之前适用于其它交通管理事件的数据融合技术进行评价比较。

表2 各种融合方法适用的交通管理事件的比较

介绍了目前常用的各种数据融合方法的优缺点。

本文是将浮动车数据、微波检测器数据、线圈数据输入模型作为融合的样本数据，将牌照数据作为真值输入模型进行训练，使得模型生成一个合理的参数集将浮动车数据、微波检测器、线圈数据融合为一组更加贴近、符合牌照数据即真值的数据。神经网络在交通领域中应用最为广泛。因此选取神经网络作为本文的数据融合方法。而且神经网络进行数据融合有以下优点：

(1)神经网络的信息统一存储在网络的联接权值和联接结构上，使得传感器的信息表示具有统一的形式，便于管理和建立知识库。

(2)神经网络可增加信息处理的容错性，当某个传感器出现故障或检测失效时，神经网络的容错功能可以使检测系统正常工作，并输出可靠信息。

(3)神经网络的自学习和自组织功能，使系统能适应检测环境的不断变化和检测信息的不确定性。

(4)神经网络的并行结构并行处理机制，使得信息处理速度快，能够满足信息的实时处理要求。

本文来源：https://www.bwwdw.com/article/b3w1.html