计算智能理论在交通流诱导系统中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号说明 | 第8-9页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 交通流诱导系统简介及研究现状 | 第10-18页 |
| 1.2.1 交通流诱导系统简介与研究现状 | 第10-13页 |
| 1.2.2 动态交通分配理论 | 第13-15页 |
| 1.2.3 动态路径选择问题 | 第15-16页 |
| 1.2.4 基于计算智能的交通系统研究现状 | 第16-18页 |
| 1.3 论文的主要研究内容 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第二章 计算智能理论基础知识 | 第20-26页 |
| 2.1 计算智能理论概述 | 第20-21页 |
| 2.2 论文中应用的计算智能理论 | 第21-25页 |
| 2.2.1 人工免疫系统 | 第21-24页 |
| 2.2.2 小波神经网络 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于人工免疫算法的交通模式识别研究 | 第26-35页 |
| 3.1 引言 | 第26-27页 |
| 3.2 人工免疫聚类分析算法 | 第27-30页 |
| 3.3 交通模式的聚类研究 | 第30-33页 |
| 3.3.1 交通数据的预处理 | 第30-31页 |
| 3.3.2 交通模式聚类分析实例 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 基于正交小波网络的短时交通流预测算法 | 第35-45页 |
| 4.1 引言 | 第35-36页 |
| 4.2 传统交通流预测方法简介 | 第36-38页 |
| 4.2.1 历史均值算法 | 第36页 |
| 4.2.2 时间序列算法 | 第36页 |
| 4.2.3 Kalman滤波算法 | 第36-37页 |
| 4.2.4 BP神经网络预测算法 | 第37页 |
| 4.2.5 非参数回归预测法 | 第37-38页 |
| 4.3 正交小波网络模型 | 第38-40页 |
| 4.4 网络的学习算法和参数选取 | 第40-41页 |
| 4.4.1 网络的学习算法 | 第40-41页 |
| 4.4.2 网络参数的选取 | 第41页 |
| 4.5 PCA算法 | 第41-42页 |
| 4.6 交通流预测模型与实例仿真 | 第42-43页 |
| 4.6.1 交通流预测模型 | 第42页 |
| 4.6.2 实例仿真 | 第42-43页 |
| 4.7 本章小结 | 第43-45页 |
| 第五章 基于人工免疫优化的路径诱导算法研究 | 第45-54页 |
| 5.1 引言 | 第45-46页 |
| 5.2 传统最短路径优化算法简介 | 第46-47页 |
| 5.2.1 Dijkstra算法及其改进算法 | 第46页 |
| 5.2.2 启发式搜索算法 | 第46-47页 |
| 5.2.3 双向搜索算法 | 第47页 |
| 5.2.4 分层搜索算法 | 第47页 |
| 5.3 城市交通路网模型 | 第47-49页 |
| 5.4 基于人工免疫优化的最短K路算法 | 第49-51页 |
| 5.4.1 最短路径问题数学描述 | 第49-50页 |
| 5.4.2 用于最短K路问题的人工免疫优化算法 | 第50-51页 |
| 5.5 计算实例研究 | 第51-52页 |
| 5.6 本章小结 | 第52-54页 |
| 第六章 结论与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 硕士期间发表及参与发表的论文 | 第62-63页 |
| 硕士期间参与的科研项目 | 第63-64页 |
| 学位论文评阅及答辩情况表 | 第64页 |
