| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-18页 |
| ·研究背景 | 第7-9页 |
| ·国内外研究现状 | 第9-16页 |
| ·智能运输系统 | 第9-12页 |
| ·国外研究现状 | 第12-14页 |
| ·国内研究现状 | 第14-15页 |
| ·存在的问题分析 | 第15-16页 |
| ·研究内容 | 第16页 |
| ·论文工作与章节安排 | 第16-18页 |
| 第二章 高速公路交通事件自动检测算法 | 第18-29页 |
| ·交通事件检测概述 | 第18-21页 |
| ·交通事件的定义和类型 | 第18-19页 |
| ·交通事件对交通流特性的影响 | 第19页 |
| ·交通事件检测系统 | 第19-20页 |
| ·交通事件自动检测的原理 | 第20-21页 |
| ·交通事件自动检测经典算法 | 第21-25页 |
| ·模式识别算法(比较算法) | 第22页 |
| ·基于统计理论的事件检测算法 | 第22-23页 |
| ·基于突变理论的检测算法 | 第23-24页 |
| ·基于人工智能的检测算法 | 第24-25页 |
| ·基于小波分析理论的算法 | 第25页 |
| ·交通事件自动检测算法的评价指标 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于LVQ和多信息融合的交通事件自动检测算法设计 | 第29-43页 |
| ·算法设计 | 第29-31页 |
| ·算法检测原理 | 第29-30页 |
| ·理论分析 | 第30-31页 |
| ·参数选择和优化处理 | 第31-39页 |
| ·参数选择 | 第31-32页 |
| ·参数获取和信息融合 | 第32-35页 |
| ·数据滤波 | 第35-39页 |
| ·学习矢量量化(LVQ)网络 | 第39-42页 |
| ·LVQ神经网络模型结构 | 第40页 |
| ·LVQ神经网络学习规则 | 第40-42页 |
| ·Boosting算法 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于LVQ和多信息融合的交通事件自动检测算法仿真与验证 | 第43-54页 |
| ·数据采集和预处理 | 第43-45页 |
| ·数据采集 | 第43-44页 |
| ·数据预处理 | 第44-45页 |
| ·算法参数的选择 | 第45-46页 |
| ·检测参数的选择 | 第45页 |
| ·LVQ网络结构参数选择 | 第45-46页 |
| ·仿真验证 | 第46-49页 |
| ·运算步骤 | 第46-48页 |
| ·训练 | 第48-49页 |
| ·算法检验与比较 | 第49-50页 |
| ·与其它分类算法的结果比较 | 第49-50页 |
| ·与基于主线信息算法的结果比较 | 第50页 |
| ·本文算法的优缺点 | 第50-51页 |
| ·应用实例 | 第51-53页 |
| ·系统功能模块划分及总体架构 | 第51-52页 |
| ·设备安装与步骤 | 第52-53页 |
| ·算法调用 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第五章 结论与展望 | 第54-56页 |
| ·总结 | 第54-55页 |
| ·问题与展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间主要的研究成果 | 第61页 |