| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 交通状态识别研究现状 | 第14-15页 |
| 1.2.2 支持向量机改进研究现状 | 第15-16页 |
| 1.3 本文组织结构 | 第16-17页 |
| 第二章 高速公路交通状态评估指标体系设计 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 交通状态评估指标 | 第17-21页 |
| 2.3 基于拥挤安全等级评估体系设计 | 第21-22页 |
| 2.4 交通流参数的选取 | 第22-25页 |
| 2.4.1 主要交通流参数 | 第22-24页 |
| 2.4.2 交通流参数的确定 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于模糊聚类的交通拥挤安全等级评估方法 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 基于模糊聚类的交通拥挤安全等级评估模型 | 第26-30页 |
| 3.2.1 模糊C均值聚类的基本原理 | 第26-27页 |
| 3.2.2 最优聚类数的确定 | 第27-29页 |
| 3.2.3 拥挤安全等级评估流程 | 第29-30页 |
| 3.3 仿真分析 | 第30-38页 |
| 3.3.1 数据来源 | 第30-31页 |
| 3.3.2 数据预处理 | 第31-33页 |
| 3.3.3 实验参数设置 | 第33页 |
| 3.3.4 实验结果与分析 | 第33-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于蝙蝠算法支持向量机的交通状态识别方法 | 第39-55页 |
| 4.1 引言 | 第39页 |
| 4.2 支持向量机及基本识别模型 | 第39-44页 |
| 4.2.1 支持向量机的基本原理 | 第39-43页 |
| 4.2.2 基于支持向量机的交通状态识别流程 | 第43-44页 |
| 4.3 基于蝙蝠算法支持向量机的交通状态识别方法设计 | 第44-51页 |
| 4.3.1 算法原理 | 第44-46页 |
| 4.3.2 算法流程 | 第46-47页 |
| 4.3.3 参数寻优的过程 | 第47-49页 |
| 4.3.4 高速公路交通状态识别流程 | 第49-51页 |
| 4.4 仿真分析 | 第51-54页 |
| 4.4.1 实验环境与参数设置 | 第51页 |
| 4.4.2 实验结果与分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于混沌混合蝙蝠算法支持向量机的交通状态识别方法 | 第55-67页 |
| 5.1 引言 | 第55页 |
| 5.2 混沌优化策略 | 第55-56页 |
| 5.3 个体更新改进策略 | 第56-60页 |
| 5.3.1 基于速度权重的改进 | 第57-59页 |
| 5.3.2 基于动态频率调节的改进 | 第59-60页 |
| 5.4 择优遗传策略 | 第60-61页 |
| 5.5 算法流程 | 第61-62页 |
| 5.6 仿真分析 | 第62-66页 |
| 5.6.1 实验环境与参数设置 | 第62-63页 |
| 5.6.2 实验结果与分析 | 第63-65页 |
| 5.6.3 实验对比分析 | 第65-66页 |
| 5.7 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 攻读学位期间发表的论文 | 第72-73页 |
| 攻读学位期间参加的课题 | 第73-75页 |
| 致谢 | 第75页 |