多信息融合模式分类方法研究及在公交客流识别系统中的应用

摘要

客流数据是整个公交企业管理业务的基础，快速、准确地采集车辆的客流信息为科学合理地安排调度车辆、优化公交线路等智能管理提供了最基本的依据，还可以全面如实地反映公交车辆的实际载客人数，方便与钱箱收入之间的核对。 本文介绍了目前比较普遍的客流识别方法，并总结了优缺点，提出将多信息融合技术运用到客流识别中来。在信息科学技术领域中，多源信息融合是一个有广泛应用背景及重要理论意义的研究课题。常用的信息融合算法有加权法、Bayes法、证据组合理论、模糊逻辑、神经网络等。这些方法大多依赖于先验知识，从而造成在小样本、高维空间情况下出现模式识别效果不佳的问题。为了解决这个问题本文将支持向量机引入到多信息融合模式分类中来，并对于支持向量机算法进行了研究。根据客流识别的实际问题对于支持向量机的训练算法与快速分类算法进行了改进。最终将多信息融合技术引入到客流识别领域中，构建了基于支持向量机的多信息融合模型，应用嵌入式技术设计并实现了多功能信息采集车载终端。首先针对于支持向量机在实际训练中由于学习样本集很大且具有类内混杂孤立点数据，引发的学习速度过慢、存储需求量大、泛化能力降低等问题，本文根据点集理论提出了一种新的支持向量机大规模训练样本集缩减策略（SVM-LSTSRS）。该策略运用模糊聚类方法去除类内孤立点并提取出潜在支持向量，从而有效的避免孤立点数据所造成的过学习现象，提高SVM学习机器的泛化性能，并且大大减少训练样本集的规模，在不降低分类精度的前提下提高训练速度。最终通过实验验证了该方法的有效性和可行性。其次针对支持向量机(SVM)分类速度取决于支持向量数目的应用瓶颈，提出一种SVM快速分类算法。通过引入支持向量在特征空间的相似性度量，构建特征空间中的最小支撑树，在此基础上将支持向量按相似性最大进行分组，依次在每组中找到决定因子和调整因子，用两者的线性组合拟合一组支持向量在特征空间的加权和，从而减少支持向量的数量，提高支持向量机的分类速度。实验结果证明，该方法能以很小的分类精度损失换取较大的分类时间缩减，满足支持向量机实时分类的要求。 最终通过大量实验对人体上下台阶时的压力变化规律进行了研究。提出在单人情况下，可以应用压力数据的特征进行模式分类的方法。针对于双人情况，加入时序信息，提出应用多信息融合的模式分类方法，建立了应用于客流识别的多信息融合模型，并构造了模式分类系统。通过实验表验证了系统的可行性。根据公交行业的现实需求，本文设计并实现了嵌入式客流信息采集车载终端。

目录

文摘

英文文摘

声明

第一章 绪论

第二章 基于支持向量机的多信息融合方法

第三章 支持向量机训练算法的研究

第四章 支持向量机快速分类算法的研究

第五章 基于SVM的多信息融合方法在公交客流识别中的应用

第六章 嵌入式客流信息采集终端的研究及实现

第七章 结论

参考文献

致谢

攻读学位期间所取得的相关科研成果