基于神经网络和支持向量机的高速公路交通事件检测
| 第1章 绪论 | 第1-13页 |
| ·课题研究背景及意义 | 第9-10页 |
| ·课题研究的现状 | 第10-11页 |
| ·课题研究的主要内容 | 第11-12页 |
| ·文章的组织结构 | 第12-13页 |
| 第2章 交通事件检测系统 | 第13-26页 |
| ·智能交通系统简介 | 第13-14页 |
| ·交通事件检测系统 | 第14-26页 |
| ·交通事件 | 第15页 |
| ·数据背景 | 第15-16页 |
| ·交通事件检测原理 | 第16-17页 |
| ·交通事件检测系统 | 第17-19页 |
| ·交通事件检测算法 | 第19-26页 |
| 第3章 高速公路交通流特性描述 | 第26-34页 |
| ·交通流特性及其基本模型 | 第26-27页 |
| ·交通流的概念 | 第26页 |
| ·交通流特性描述 | 第26页 |
| ·交通流基本模型 | 第26-27页 |
| ·高速公路交通事件对交通特性的影响 | 第27页 |
| ·交通流的基本参数 | 第27-30页 |
| ·交通量 | 第28页 |
| ·车速 | 第28-29页 |
| ·交通密度和占有率 | 第29-30页 |
| ·交通流基本参数的关系 | 第30-31页 |
| ·车速与密度的关系 | 第30-31页 |
| ·流量与密度的关系内 | 第31页 |
| ·流量与车速的关系 | 第31页 |
| ·高速公路基本路段服务水平定义 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 基于人工神经网络的交通事件检测 | 第34-47页 |
| ·BP神经网络 | 第34-38页 |
| ·BP学习算法 | 第34-36页 |
| ·基于BP算法的多层前馈网络的主要能力 | 第36-37页 |
| ·改进的BP算法 | 第37-38页 |
| ·BP网络的设计 | 第38-41页 |
| ·网络结构 | 第38-39页 |
| ·初始参数的选择 | 第39-40页 |
| ·学习速率的影响 | 第40-41页 |
| ·期望误差的选取 | 第41页 |
| ·基于BP神经网络的交通事件检测 | 第41-45页 |
| ·仿真模型 | 第42页 |
| ·BP网络辨识交通流模型 | 第42-43页 |
| ·残差获取 | 第43-44页 |
| ·交通事件检测——BP神经网络对残差的分类 | 第44-45页 |
| ·检测算法评价及结论 | 第45-47页 |
| ·算法评价 | 第45-46页 |
| ·小结 | 第46-47页 |
| 第5章 基于支持向量机的交通事件检测 | 第47-66页 |
| ·引言 | 第47页 |
| ·统计学习理论与机器学习问题 | 第47-54页 |
| ·复杂性与推广性 | 第47-50页 |
| ·统计学习理论 | 第50-51页 |
| ·函数集的VC维 | 第51-52页 |
| ·推广能力的界 | 第52-53页 |
| ·结构风险最小化 | 第53-54页 |
| ·支持向量机 | 第54-59页 |
| ·线性问题 | 第55-57页 |
| ·非线性高维问题 | 第57页 |
| ·支持向量机 | 第57-59页 |
| ·基于支持向量机的交通事件检测 | 第59-63页 |
| ·SVM与神经网络的比较 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |
