| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 ITS 中车辆检测与识别技术的现状 | 第12-16页 |
| 1.3 论文主要工作 | 第16-18页 |
| 第2章 基于 TMR 传感器的车辆检测与识别技术研究方案设计 | 第18-24页 |
| 2.1 基于 TMR 传感器的车辆检测机理分析与检测平台构建 | 第18-21页 |
| 2.2 TMR 检测信号分析 | 第21-22页 |
| 2.3 研究方案设计 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 车辆有无检测和方向检测算法 | 第24-31页 |
| 3.1 多中间状态机检测算法设计 | 第24-27页 |
| 3.1.1 车辆信号的预处理 | 第24-25页 |
| 3.1.2 阈值的确定和状态机检测分析 | 第25-27页 |
| 3.2 车辆方向检测算法设计 | 第27-30页 |
| 3.2.1 单传感器检测 | 第27-29页 |
| 3.2.2 双传感器检测 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 基于遗传优化 BP 神经网络车辆识别算法 | 第31-38页 |
| 4.1 BP 神经网络车辆识别原理 | 第31-32页 |
| 4.2 识别算法设计 | 第32-36页 |
| 4.2.1 数据预处理和特征选取 | 第32-34页 |
| 4.2.2 BP 神经网络模型构建 | 第34-35页 |
| 4.2.3 BP 网络权值和阈值优化 | 第35-36页 |
| 4.3 实验结果分析 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第5章 基于遗传优化支持向量机车辆识别算法 | 第38-43页 |
| 5.1 支持向量机的车辆识别原理 | 第38-40页 |
| 5.2 识别算法设计 | 第40-42页 |
| 5.2.1 数据预处理和特征提取 | 第40页 |
| 5.2.2 支持向量机核函数选择和参数优化 | 第40-42页 |
| 5.3 实验结果分析 | 第42页 |
| 5.4 本章小结 | 第42-43页 |
| 第6章 基于 Kalman 滤波的车辆位置估计算法 | 第43-50页 |
| 6.1 Kalman 的车辆位置估计原理 | 第43-45页 |
| 6.2 位置估计算法设计 | 第45-48页 |
| 6.2.1 车辆检测模型建立 | 第45-48页 |
| 6.2.2 利用 Kalman 滤波位置估计 | 第48页 |
| 6.3 实验结果分析 | 第48-49页 |
| 6.4 本章小结 | 第49-50页 |
| 第7章 总结和展望 | 第50-52页 |
| 7.1 本文工作总结 | 第50-51页 |
| 7.2 研究展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |
