7篇关于多传感器的计算机毕业论文

今天分享的是关于多传感器的7篇计算机毕业论文范文, 如果你的论文涉及到多传感器等主题,本文能够帮助到你

危化品车辆监测系统设计及多传感器融合状态判决研究

这是一篇关于危化品,监测系统,多传感器,数据融合,状态判决的论文, 主要内容为随着经济的快速发展,各行业对化学品的需求量日渐增多,由此产生的运输事故也呈上升趋势。危化品从生产领域向消费领域转移的过程中,主要以公路运输为主,一旦发生交通事故,将会对生态环境和人员的生命财产安全造成巨大危害,且危化品具有毒害、腐蚀、易爆等性质,救援不及时将会导致危害加剧。因此,开展对危化品运输车辆监测系统的研究,实时监测车辆数据和安全状态,对于事故防范和救援具有深远意义。首先,以危化品运输罐车为研究对象,对监测系统的整体方案进行设计,将系统分为车载终端和远程监测端两部分。在车载终端设备的基础上,将传感器采集的数据传输至One NET物联网平台,达到数据安全上云、方便扩展的目的。其次,分析远程监测系统的功能需求,基于主流的Spring boot和Vue.js框架搭建Web监测系统的前后端服务,对One NET平台推送的数据进行解析、存储和展示,实现车辆监测、数据统计等功能,并搭建微信小程序监测系统,形成可在电脑端和手机端同时监测的完整系统。最后,对多传感器数据融合算法进行研究,构建基于支持向量机(SVM)和D-S证据理论的SVM-DS车辆状态判决算法模型。该模型以侧倾角度、液位高度、内部温度、罐内压力、可燃气体浓度、车辆速度作为数据指标,选取正常、侧翻告警、罐内告警作为目标状态集合,利用网格搜索算法、遗传算法和粒子群优化算法分别对SVM进行参数寻优得到三种优化模型,进而构造出D-S证据理论的证据体进行融合。测试结果表明SVM-DS模型能够充分利用多传感器实现对危化品运输车辆的状态判决,判决准确率为96.67%,且模型部署后能够与远程监测系统集成,实现实时状态判决,具有实际应用价值。

GNSS与多传感器组合在地质灾害综合监测中的应用

这是一篇关于地质灾害,GNSS,监测预警,多传感器,综合监测的论文, 主要内容为传统测量方法可以进行地表变形监测和获取研究区域DEM。常规的测量方法包括三角测量、三边测量、几何水准测量、基准线法、导线测量等。所使用的观测仪器如GNSS、水准仪、经纬仪、全站仪以及测距仪等比较普及,所以目前较多采用的方法仍然是常规测量方法[1]。其优点在于测量精度较高,能充分发挥现有仪器设备的作用,缺点在于观测点之间需要相互通视(GNSS除外)、野外作业周期长、工作量大、耗费大量人力物力,只能得到一些点和线的离散观测信息,而且在山区、沙漠和极地等自然条件非常恶劣或危险地区,传统的测量方法不易实施。全球导航卫星系统(GNSS)与多传感器组合的地质灾害综合监测预警数据库系统能够同时对地表水平位移和地下深层位移进行连续监测,同时能直观显示和存储处理利用灾害信息。本文选择的研究对象是多年来地质灾害频发的古蔺县二郎场镇地区,随着地质灾害活动不断加剧,灾害数据也在急速增加,传统的评价方法已经不能及时有效的利用这些监测数据。为及时了解滑坡体上游深层土体变化的规律,让未来可以掌握更多有效的管理值,因此开展如何自动化代替人工高效获取监测数据的研究,不但具有重要理论意义,更具有重要工程实际意义。本文共分以下三部分:本文首先介绍了地表水平位移、深层位移、孔隙水压力、雨量四种监测方式的选择,运用GNSS、多传感器组合等监测原理,相对于传统监测方法的改进,理论支撑与实践,并通过实例说明了 GNSS与多传感器组合选点的问题,获取多种监测数据。基于云计算模式的数据信息中心,以J2EE为核心构架,组合GNSS、多传感器等技术,设计了提供多元化的综合业务管理平台。简要说明了数据读取、分析、输出的方式,构造了逐步实现自动化数据采集、数据多元化展示的全方位监测美景。利用该地灾综合监测预警系统应用实例工程中,以监测数据为基础,对系统部分功能做了应用与展示,获取了面向用户有效的监测值,监测验证该系统的可靠性。

基于多传感器融合的危化品实验室安全检测

这是一篇关于危化品实验室,火灾烟雾检测,目标检测,多传感器的论文, 主要内容为实验室是培养高级人才的重要保障,已经成为科技创新的基地、社会服务的基础。随着我国经济的发展,各行各业的需要,近几年伴随着国家和企业的投入,实验室的数量在大幅增加,为我国科技创新和高精尖人才的培养提供了得天独厚的教育环境,科研技术团队力量也在逐渐增强。但随之而来的是这些实验室环境变得越来越复杂,越来越难以管控;因为业务规模的扩大实验室拥有的各种各样的精贵的仪器设备也在增多,化工类实验室更是存储了大量的危化品,实验室的安全问题日益凸显。近年来,因为各种实验室事故的发生,实验室安全问题引起了广泛的关注,为了实现对实验室的安全监管,实验室采取了一系列的安全管理措施,但还是由于缺乏完善的实验室安全监管系统,仍然无法实现实验室实时、全面的安全保障。本课题针对危化品实验室的安全运行需求,基于目标检测技术并辅以其它传感器,建立一套能够实现及时预警功能的危化品实验室安全检测系统。本系统为了实现对危化品实验室高发的火灾事故进行实时的预警做了详细的研究,具体内容如下:一、为了能够有效解决在火灾阴燃阶段烟雾运动特征不明显,无关背景影响正负样本不均衡导致模型不易收敛的问题,提出了通过高斯混合背景建模的方法剔除无关背景,对视频图像中疑是烟雾运动区域进行分割,提高后续算法模型收敛速度和检测准确率。二、为了解决传统传感器在火灾检测空间距离较大的限制条件下,火灾事故无法实时预警的问题,通过在危化品实验室视频监控基础上部署并改进YOLOv3视频目标检测算法提高了实验室安全预警水平。具体改进分为两部分:1、针对Dark Net-53卷积层数过多,参数量较大,导致存储空间占用过大难以部署到资源受限的监控设备的问题,将轻量化网络Efficient Net-B0改进之后替换原始网络Dark Net-53,替换后的网络卷积层数较少并通过瓶颈翻转卷积减少了计算量,实现了模型存储空间和网络参数的大幅度降低,其中注意力机制的应用更是实现了算法模型对烟雾特征的关注,火灾烟雾的特征得到了更加有效的提取。2、为了进一步降低网络替换之后带来的特征提取不足的影响,在骨干网络和FPN网络之间增加了池化融合模块,将输出的浅层特征图与输出的深度特征图进行融合,丰富了特征图的特征表达信息极大的提高了算法模型的检测准确度。最后,在多种实验室场景下的火灾与非火灾视频数据集进行测试,实验结果表明本文改进的检测算法可以迅速、精确地识别出危化品实验室中的火灾烟雾,检测速度和准确率相对于原始YOLOv3网络分别提升了2.1倍和5.9%。随后,集成部署到制作的火灾烟雾视频监控设备中并结合其它传感器进行系统的整体实现,系统全面综合了实验室各种安全管理所采集的信息,基本上满足了实验室环境参量的监测、火灾实时预警等需求,有效提升了实验室的安全保障水平和运行效率、降低安全管理成本。

基于手机传感器流数据的路面非平稳地物特征检测方法研究

这是一篇关于时间序列,道路信息,路面非平稳地物特征,多传感器,智能手机,深度学习的论文, 主要内容为地理信息作为一种基础测绘地理数据,为国民经济的健康持续发展提供了强大的数据支持,在众多行业领域具有广泛的应用价值,包括城市规划、交通管理、公共安全以及灾害应急等。道路数据作为地理信息中的关键组成部分之一,主要包含道路的基本属性、交通状况以及通行能力等方面的信息。这些数据可以帮助人们更好地利用道路网络的结构和功能,为城市交通的规划和管理提供重要参考。其中,路面非平稳地物特征可以表达道路使用及损毁情况,对于道路的维护具有重要意义。目前,路面非平稳地物特征检测主要有以下三种方法:基于专业设备的方法、基于图像的方法和基于传感器的方法。基于专业设备的方法需依赖专业设备和操作人员,检测效率较低,基于图像的方法易受天气和光照等因素影响,而基于传感器的方法通常需要专门设计或改装的传感器承载平台,并且普及率有限。这使得当前主流方法难以快速地从海量数据中提取路面非平稳地物信息。因此,本文提出一种基于智能手机传感器流数据时间序列分析的路面非平稳地物检测方法。这一方法通过利用智能手机内置传感器获取时间序列数据,并从中提取路面非平稳地物信息,为路面非平稳地物特征获取提供新的思路。基于此,本文对以下三个方面进行研究:(1)路面非平稳地物特征检测的基本原理。使用智能手机内置的传感器对路面非平稳地物进行检测,主要涉及的传感器包括:用于检测汽车三轴加速度的加速度传感器、用于定位路面非平稳地物位置的位置传感器以及辅助检测路面非平稳地物的其他传感器。当放置有智能手机的汽车通过路面非平稳地物时,汽车的三轴加速度会发生显著变化。通过识别传感器数据的变化,对路面非平稳地物进行检测。(2)路面非平稳地物数据预处理。本文利用方位姿态解算原理,基于物体坐标系、惯性坐标系和世界坐标系之间的变换原理对传感器数据进行姿态矫正和坐标系转换,以解决智能手机传感器数据无法准确表达路面非平稳地物特征的问题。此外,本文利用线性插值的方法对多种传感器数据进行了时间序列对齐,并对传感器数据进行了滑动窗口操作,以保证路面非平稳地物特征检测结果的准确性。(3)基于深度学习的检测方法。本文采用训练深度学习神经网络对传感器时间序列数据中的路面非平稳地物进行检测。本文设计测路面非平稳地物的神经网络模型,将预处理之后的数据输入神经网络进行训练,输出神经网络模型获取的传感器数据及其地理标签。将地理标签转换为路面非平稳地物特征,并把数据投影到地图中得到最终的检测结果。本文对智能手机传感器采集到的数据进行了实验,使用本文方法对长时间序列传的感器数据进行分析,实现了基于智能手机传感器流数据的路面非平稳地物特征检测。实验结果表明,本文提出的方法能够迅速且准确地对传感器流数据进行时间序列分析,并提取出路面非平稳地物信息,检测准确率高于85%,具有较高的检测效率和准确性。本文方法能够检测路面非平稳地物特征,对道路信息的获取以及基础地理信息数据的更新和维护具有重要意义。

基于多传感器的轨迹预测在目标跟踪中的应用研究

这是一篇关于多传感器,目标跟踪,轨迹预测,轨迹提取,轨迹融合的论文, 主要内容为目标跟踪在军用和民用领域都有广泛应用,随着现代航空航天技术的飞速发展,对目标跟踪轨迹预测的精度要求也越来越高。其中,对多传感器的轨迹提取和轨迹融合预测算法的研究,在实现目标准确跟踪预测方面具有重要的现实意义。本文在对现有目标跟踪算法进行分析的基础上,重点研究了目标轨迹提取预测和轨迹融合预测技术,针对现有算法的不足,提出了交互式多模型的自适应滤波算法和分离独立方差的轨迹融合算法,从而提高轨迹预测精度,本文所取得的成果主要包括以下几个方面:首先,针对现有目标运动模型通常会与实际运动状态不匹配而导致的预测精度较低的问题,提出交互式多模型自适应滤波算法。该算法通过建立目标的多种不同运动状态和滤波模型,能够解决由于目标运动滤波模型单一而导致的轨迹提取误差较大的问题。同时,针对现有算法中模型转移概率矩阵均是固定不变的问题,从实际应用角度出发,提出马尔科夫转移概率矩阵实时调整模型,实现了多模型转移概率能够随着目标的量测信息而实时更新,以提高目标跟踪系统中的轨迹提取精度及轨迹预测精度。其次,针对现有融合算法在数据预处理过程中会引入相关误差的问题,提出分离独立方差的轨迹融合算法,该算法能够解决传感器间互协方差计算量较大和数据处理误差较大的问题,从而提高了轨迹融合预测精度。最后,利用System Vue平台中雷达发射接受信号机制模拟了基于雷达的目标跟踪系统,对本文提出的基于马尔科夫转移概率实时调整模型的交互式多模型自适应滤波算法和分离独立方差的轨迹融合算法进行了仿真建模测试。仿真结果表明,与现有算法相比,本文提出的算法能够显著提高目标跟踪系统模型中轨迹提取和轨迹融合方面的预测精度。本文的研究成果在目标精确跟踪和预测领域具有一定的应用价值。