| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 论文研究的背景及其意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 交通流宏观动态特性概述 | 第9-10页 |
| 1.3 研究现状 | 第10-11页 |
| 1.4 本文主要研究内容 | 第11-13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 小波神经网络模型及数据预处理 | 第14-28页 |
| 2.1 神经网络原理 | 第14-17页 |
| 2.2 小波神经网络 | 第17-19页 |
| 2.3 小波神经网络模型建立 | 第19-21页 |
| 2.3.1 网络层数 | 第19-20页 |
| 2.3.2 隐含层神经元个数 | 第20页 |
| 2.3.3 网络学习速率 | 第20页 |
| 2.3.4 网络初始值 | 第20页 |
| 2.3.5 样本选择 | 第20页 |
| 2.3.6 小波函数的选择 | 第20-21页 |
| 2.4 交通流数据预处理 | 第21-24页 |
| 2.4.1 交通流数据参数 | 第21-22页 |
| 2.4.2 数据处理 | 第22-24页 |
| 2.5 仿真实验 | 第24-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 改进的小波神经网络算法研究 | 第28-41页 |
| 3.1 基于动量改进的小波神经网络 | 第28页 |
| 3.1.1 引入动量项学习 | 第28页 |
| 3.1.2 动态的动量学习系数 | 第28页 |
| 3.2 基于改进的遗传算法的优化小波神经网络权阈值 | 第28-35页 |
| 3.2.1 小波神经网络的缺陷分析 | 第28-29页 |
| 3.2.2 遗传算法的学习原理 | 第29页 |
| 3.2.3 算法实现的关键技术及步骤 | 第29-31页 |
| 3.2.4 遗传算法的改进 | 第31-32页 |
| 3.2.5 算法验证 | 第32-34页 |
| 3.2.6 算法流程图 | 第34-35页 |
| 3.3 仿真实验 | 第35-40页 |
| 3.3.1 加入动量项学习的小波神经网络 | 第35-38页 |
| 3.3.2 基于遗传算法的小波神经网络权阈值改进 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 小波神经网络在交通流中的应用研究 | 第41-62页 |
| 4.1 地图匹配系统 | 第41-52页 |
| 4.1.1 常见的地图匹配算法 | 第42-45页 |
| 4.1.2 算法分析 | 第45-46页 |
| 4.1.3 改进的概率统计算法 | 第46-47页 |
| 4.1.4 软件平台设计 | 第47-51页 |
| 4.1.5 地图匹配结果 | 第51-52页 |
| 4.2 基于遗传算法改进的小波神经网络仿真结果 | 第52-57页 |
| 4.2.1 交通流量 | 第52-55页 |
| 4.2.2 速度 | 第55-57页 |
| 4.3 交通状态 | 第57-58页 |
| 4.4 道路交通评价体系 | 第58-60页 |
| 4.5 交通流宏观参数变化对交通状态的影响 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-63页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录 | 第67页 |
| A. 作者在攻读学位期间取得的科研成果目录 | 第67页 |