| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 问题的提出 | 第9-10页 |
| 1.1.2 研究的目的和意义 | 第10-11页 |
| 1.2 交通事件检测算法的国内外研究现状和发展趋势 | 第11-13页 |
| 1.2.1 国外交通事件检测算法的研究历史与现状 | 第11-12页 |
| 1.2.2 国内交通事件检测算法研究现状与发展趋势 | 第12-13页 |
| 1.3 研究内容结构和创新点 | 第13-16页 |
| 1.3.1 研究内容和组织结构 | 第13-14页 |
| 1.3.2 技术路线和创新点 | 第14-16页 |
| 1.4 小结 | 第16-17页 |
| 第二章 交通事件检测原理及信息融合 | 第17-30页 |
| 2.1 交通事件概述 | 第17-18页 |
| 2.2 交通事件检测原理 | 第18-22页 |
| 2.2.1 城市道路交通流特性分析 | 第18-19页 |
| 2.2.2 交通事件检测方法分析 | 第19-20页 |
| 2.2.3 基于激光测距和GPS的AID系统 | 第20-22页 |
| 2.3 交通事件AID算法分析 | 第22-27页 |
| 2.3.1 常用AID算法分类 | 第23页 |
| 2.3.2 AID算法比较分析 | 第23-27页 |
| 2.3.3 AID算法的评价指标 | 第27页 |
| 2.4 激光测距与GPS的信息融合 | 第27-29页 |
| 2.4.1 信息融合原理 | 第27-28页 |
| 2.4.2 信息融合模型 | 第28-29页 |
| 2.5 小结 | 第29-30页 |
| 第三章 基于支持向量机的交通事件检测算法研究 | 第30-37页 |
| 3.1 概述 | 第30页 |
| 3.2 支持向量机分类原理 | 第30-32页 |
| 3.3 数据级信息融合的SVM-AID算法设计 | 第32-34页 |
| 3.3.1 特征向量的选择 | 第32-33页 |
| 3.3.2 SVM-AID算法步骤 | 第33-34页 |
| 3.4 算法验证及结果分析 | 第34-36页 |
| 3.4.1 试验条件 | 第34-35页 |
| 3.4.2 有效性分析 | 第35-36页 |
| 3.5 小结 | 第36-37页 |
| 第四章 粒子群优化神经网络的交通事件检测算法研究 | 第37-48页 |
| 4.1 概述 | 第37页 |
| 4.2 基于粒子群的神经网络优化 | 第37-41页 |
| 4.2.1 粒子群优化算法 | 第37-38页 |
| 4.2.2 粒子群优化神经网络算法 | 第38-39页 |
| 4.2.3 粒子群优化神经网络算法性能分析 | 第39-41页 |
| 4.3 粒子群优化神经网络的交通事件检测 | 第41-42页 |
| 4.3.1 特征量选择 | 第41页 |
| 4.3.2 算法设计 | 第41-42页 |
| 4.4 算法验证及结果分析 | 第42-46页 |
| 4.4.1 实验过程 | 第42-43页 |
| 4.4.2 结果分析 | 第43-46页 |
| 4.5 神经网络和支持向量机的比较 | 第46-47页 |
| 4.6 小结 | 第47-48页 |
| 第五章 全文总结与展望 | 第48-50页 |
| 5.1 全文总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士期间发表论文 | 第55页 |