| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 本课题研究背景及意义 | 第9-10页 |
| 1.2 交通灯的发展及国内外研究现状 | 第10-11页 |
| 1.3 课题的提出及主要研究内容 | 第11-12页 |
| 1.4 论文的组织与安排 | 第12-15页 |
| 2 贝叶斯网络理论基础 | 第15-25页 |
| 2.1 贝叶斯网络 | 第15-20页 |
| 2.1.1 贝叶斯网络的定义 | 第15-16页 |
| 2.1.2 贝叶斯网络结构学习 | 第16-17页 |
| 2.1.3 贝叶斯网络参数学习 | 第17页 |
| 2.1.4 贝叶斯网络推理的主要算法 | 第17-19页 |
| 2.1.5 贝叶斯网络近似推理算法 | 第19-20页 |
| 2.2 动态贝叶斯网络理论 | 第20-25页 |
| 2.2.1 动态贝叶斯网络推理的基本任务 | 第21-22页 |
| 2.2.2 动态贝叶斯网络的推理算法 | 第22-25页 |
| 3 建立交通灯自主智能决策模型 | 第25-37页 |
| 3.1 研究交通灯以及影响交通灯时间的主要因素 | 第25-27页 |
| 3.1.1 交通灯 | 第25页 |
| 3.1.2 是否主干路 | 第25-26页 |
| 3.1.3 车速 | 第26页 |
| 3.1.4 车流量 | 第26页 |
| 3.1.5 与上一路口的关联度 | 第26-27页 |
| 3.2 基于动态贝叶斯网络的交通灯自主智能决策模型的结构学习 | 第27-31页 |
| 3.2.1 K2算法 | 第27-29页 |
| 3.2.2 建立基于动态贝叶斯网络的交通灯自主智能决策模型的网络结构 | 第29-31页 |
| 3.3 基于动态贝叶斯网络的交通灯自主智能决策模型的参数学习 | 第31-37页 |
| 3.3.1 最大似然估计参数学习 | 第32-33页 |
| 3.3.2 基于动态贝叶斯网络的交通灯自主智能决策模型的各概率表的计算 | 第33-34页 |
| 3.3.3 各观测变量的隶属度函数 | 第34-37页 |
| 4 交通灯自主智能决策模型推理算法 | 第37-47页 |
| 4.1 改进的前向后向算法 | 第37-39页 |
| 4.2 时间窗和时间窗宽度的基本概念 | 第39页 |
| 4.3 基于时间窗的前向后向算法 | 第39-47页 |
| 4.3.1 算法的提出 | 第39页 |
| 4.3.2 算法的基本思想 | 第39-41页 |
| 4.3.3 算法的推导 | 第41-43页 |
| 4.3.4 算法的复杂度分析 | 第43页 |
| 4.3.5 验证算法的高效性 | 第43-47页 |
| 5 基于动态贝叶斯网络的交通灯自主智能决策 | 第47-49页 |
| 6 结论 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 附录A 调研数据 | 第57-61页 |
| 攻读学位期间发表的学术论文 | 第61-62页 |
| 致谢 | 第62页 |
