| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 课题研究背景 | 第11-12页 |
| 1.1.2 研究目的及意义 | 第12-13页 |
| 1.2 国内外研究现状及发展趋势 | 第13-14页 |
| 1.2.1 国外交通事件检测算法研究 | 第13-14页 |
| 1.2.2 国内交通事件检测研究及发展趋势 | 第14页 |
| 1.3 论文主要研究内容与结构框架分布 | 第14-17页 |
| 第2章 高速公路交通事件检测原理及算法分析 | 第17-35页 |
| 2.1 交通事件基本概念 | 第17-18页 |
| 2.2 交通事件检测原理分析 | 第18-23页 |
| 2.2.1 交通流特征参数 | 第18-20页 |
| 2.2.2 交通事件与交通流参数变化的关系 | 第20-23页 |
| 2.3 交通事件检测技术及交通流数据采集分析 | 第23-32页 |
| 2.3.1 交通事件自动检测技术分类 | 第23-24页 |
| 2.3.2 基于视频图像的事件检测系统分析 | 第24-25页 |
| 2.3.3 基于视频图像的交通数据信息采集 | 第25-32页 |
| 2.4 AID算法 | 第32-34页 |
| 2.4.1 AID算法介绍 | 第32-33页 |
| 2.4.2 AID算法的评价指标 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于RBF神经网络模型算法的交通事件检测分析 | 第35-47页 |
| 3.1 RBF神经网络原理及理论分析 | 第35-38页 |
| 3.1.1 RBF神经网络基本原理 | 第35-37页 |
| 3.1.2 RBF神经网络数学分析 | 第37-38页 |
| 3.1.3 RBF网络模型用于交通事件检测的优势 | 第38页 |
| 3.2 RBF神经网络设计 | 第38-42页 |
| 3.2.1 RBF网络隐结点函数的选择 | 第39页 |
| 3.2.2 RBF神经网络隐层中心的确定 | 第39-42页 |
| 3.3 基于RBF模型的交通事件检测仿真 | 第42-46页 |
| 3.3.1 数据来源 | 第42-44页 |
| 3.3.2 数据规范化及仿真 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于IPSO_RBF模型算法的交通事件检测研究 | 第47-60页 |
| 4.1 基本粒子群算法分析 | 第47-49页 |
| 4.1.1 基本PSO算法概念和原理 | 第47-48页 |
| 4.1.2 基本PSO算法流程 | 第48-49页 |
| 4.2 改进的PSO算法分析研究 | 第49-53页 |
| 4.2.1 惯性权重取值分析 | 第50页 |
| 4.2.2 学习因子的选择分析 | 第50-51页 |
| 4.2.3 综合优化粒子群 | 第51页 |
| 4.2.4 综合改进的PSO算法仿真对比 | 第51-53页 |
| 4.3 基于IPSO_RBF模型的交通事件检测算法分析设计 | 第53-56页 |
| 4.3.1 基于IPSO模型的交通事件检测关键点 | 第53-54页 |
| 4.3.2 基于IPSO算法的流程设计 | 第54-56页 |
| 4.4 实验仿真及其分析 | 第56-59页 |
| 4.4.1 基于PSO_RBF算法的交通事件检测实验仿真 | 第56-58页 |
| 4.4.2 仿真实验比较 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 集成IPSO_RBF模型的交通事件检测 | 第60-69页 |
| 5.1 集成学习思想原理分析 | 第60-61页 |
| 5.1.1 集成学习基本概念 | 第60页 |
| 5.1.2 集成学习的优势 | 第60-61页 |
| 5.2 AdaBoost集成IPSO_RBF的交通事件检测 | 第61-65页 |
| 5.2.1 AdaBoost算法基本原理 | 第61-62页 |
| 5.2.2 弱分类器解析 | 第62-63页 |
| 5.2.3 AdaBoost集成IPSO_RBF模型的交通事件检测 | 第63-65页 |
| 5.3 改进集成弱分类器 | 第65-68页 |
| 5.3.1 弱分类器集成改进方式 | 第65-67页 |
| 5.3.2 各种检测算法综合性能比较 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 致谢 | 第71-72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 |
