| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究的背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 隧道监控研究现状 | 第10-11页 |
| 1.2.2 数据挖掘研究现状 | 第11-12页 |
| 1.3 研究的主要内容 | 第12-13页 |
| 1.3.1 研究目的和意义 | 第12页 |
| 1.3.2 研究内容及方法 | 第12-13页 |
| 1.4 全文组织结构 | 第13-14页 |
| 第2章 RT-WAR算法处理隧道数据 | 第14-40页 |
| 2.1 关联规则理论 | 第14-17页 |
| 2.1.1 关联规则的基本概念 | 第15-16页 |
| 2.1.2 关联规则的基本步骤 | 第16-17页 |
| 2.2 关联规则的经典算法Apriori算法 | 第17-20页 |
| 2.2.1 Apriori算法描述 | 第17-18页 |
| 2.2.2 Apriori算法应用实例 | 第18-19页 |
| 2.2.3 Apriori算法在隧道数据挖掘中的不足 | 第19-20页 |
| 2.3 关联规则算法的改进 | 第20-25页 |
| 2.3.1 事务压缩方法的介绍 | 第20-22页 |
| 2.3.2 加权方法的介绍 | 第22-25页 |
| 2.4 RT-WAR算法对隧道数据的分析与处理 | 第25-33页 |
| 2.4.1 数据预处理 | 第25-32页 |
| 2.4.2 RT-WAR算法的流程 | 第32-33页 |
| 2.5 实验结果分析与对比 | 第33-39页 |
| 2.5.1 实验环境介绍 | 第33页 |
| 2.5.2 实验中需要处理的问题 | 第33-35页 |
| 2.5.3 实验结果 | 第35-37页 |
| 2.5.4 实验对比分析 | 第37-39页 |
| 2.6 本章小结 | 第39-40页 |
| 第3章 建立隧道环境和交通下的神经网络预测模型 | 第40-54页 |
| 3.1 神经网络的概念 | 第40-41页 |
| 3.2 神经网络的特点 | 第41-42页 |
| 3.3 BP神经网络模型 | 第42-45页 |
| 3.3.1 BP神经网络的概念 | 第42-43页 |
| 3.3.2 BP神经网络模型的算法描述 | 第43-45页 |
| 3.4 隧道监控数据的分析 | 第45-46页 |
| 3.5 RT-WAR算法在隧道预测中的作用 | 第46-49页 |
| 3.5.1 神经网络样本数据的选取 | 第46-48页 |
| 3.5.2 神经网络输入层的确定 | 第48-49页 |
| 3.5.3 神经网络初始权值的确定 | 第49页 |
| 3.6 基于RT-WAR的隧道监控神经网络预测模型 | 第49-53页 |
| 3.6.1 建立CO浓度神经网络预测模型 | 第49-51页 |
| 3.6.2 建立隧道交通状况神经网络预测模型 | 第51-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第4章 基于RT-WAR算法的神经网络在隧道环境和交通中的应用 | 第54-64页 |
| 4.1 典型隧道监控系统的描述 | 第54-56页 |
| 4.2 基于RT-WAR算法的神经网络在隧道上的应用 | 第56-58页 |
| 4.3 MATLAB仿真实验 | 第58-63页 |
| 4.3.1 CO浓度超标时间预测结果 | 第59-61页 |
| 4.3.2 堵车状况预测结果 | 第61-63页 |
| 4.4 小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 全文总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第70页 |
