基于移动终端的交通情境识别技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 情境识别概述 | 第11-12页 |
| 1.2 课题研究背景与意义 | 第12-13页 |
| 1.3 交通出行调查发展历程 | 第13-14页 |
| 1.4 本文研究内容及结构安排 | 第14-17页 |
| 1.4.1 本文研究内容 | 第14-15页 |
| 1.4.2 本文的结构安排 | 第15-17页 |
| 第2章 交通情境识别综述 | 第17-29页 |
| 2.1 智能交通概述 | 第17-19页 |
| 2.2 交通情境识别研究 | 第19-24页 |
| 2.2.1 模式识别基础 | 第19-20页 |
| 2.2.2 国内外研究现状 | 第20-24页 |
| 2.3 交通情境识别分类算法 | 第24-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基准测试数据集构建 | 第29-38页 |
| 3.1 数据获取概述 | 第29页 |
| 3.2 数据采集工具 | 第29-31页 |
| 3.2.1 采集工具界面 | 第29-30页 |
| 3.2.2 采集传感器类型 | 第30-31页 |
| 3.3 数据采集与归档规范 | 第31-35页 |
| 3.3.1 采集规范 | 第31-33页 |
| 3.3.2 数据归档规范 | 第33-35页 |
| 3.4 数据集信息统计 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于RNN的交通情境识别方案 | 第38-65页 |
| 4.1 问题的提出 | 第38页 |
| 4.2 循环神经网络概述 | 第38-41页 |
| 4.3 LSTM相关介绍 | 第41-46页 |
| 4.3.1 LSTM的提出和发展 | 第41-43页 |
| 4.3.2 LSTM网络结构 | 第43-45页 |
| 4.3.3 LSTM的应用 | 第45-46页 |
| 4.4 识别方案总体设计 | 第46-56页 |
| 4.4.1 方案概述 | 第46-47页 |
| 4.4.2 传感器选用 | 第47-49页 |
| 4.4.3 数据预处理 | 第49-53页 |
| 4.4.4 特征提取 | 第53-54页 |
| 4.4.5 网络结构 | 第54-56页 |
| 4.5 训练方法与参数说明 | 第56-58页 |
| 4.6 实验结果评估与分析 | 第58-64页 |
| 4.6.1 评估方法与指标 | 第58-59页 |
| 4.6.2 实验结果与分析 | 第59-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第5章 结合CNN和RNN的交通情境识别方案 | 第65-76页 |
| 5.1 问题的提出 | 第65页 |
| 5.2 卷积神经网络概述 | 第65-66页 |
| 5.3 方案总体设计 | 第66-72页 |
| 5.3.1 方案概述 | 第66-67页 |
| 5.3.2 信号的特征图像化 | 第67-70页 |
| 5.3.3 网络结构 | 第70-72页 |
| 5.4 训练方法与参数说明 | 第72页 |
| 5.5 实验结果评估 | 第72-75页 |
| 5.6 本章小结 | 第75-76页 |
| 第6章 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76-77页 |
| 6.2 未来工作 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间主要研究成果 | 第82-83页 |
| 致谢 | 第83页 |
