| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景及研究意义 | 第10-11页 |
| ·课题研究背景 | 第10页 |
| ·研究目的及意义 | 第10-11页 |
| ·国内外研究现状及发展趋势 | 第11-13页 |
| ·国外交通事件检测研究及发展趋势 | 第11-12页 |
| ·国内交通事件检测研究及发展趋势 | 第12-13页 |
| ·论文的主要研究内容与结构 | 第13-15页 |
| ·主要研究内容 | 第13-14页 |
| ·论文的结构 | 第14-15页 |
| 第2章 高速公路交通事件检测原理及AID算法分析 | 第15-25页 |
| ·高速公路交通事件的概念 | 第15-16页 |
| ·交通事件的概念及分类 | 第15-16页 |
| ·高速公路交通事件分析 | 第16页 |
| ·交通事件检测原理 | 第16-22页 |
| ·交通流特征参数 | 第16-17页 |
| ·交通事件状态下交通流参数的变化特性 | 第17-19页 |
| ·交通事件检测技术分析 | 第19-20页 |
| ·交通事件检测系统 | 第20-22页 |
| ·AID算法分析 | 第22-24页 |
| ·AID算法介绍 | 第22-23页 |
| ·AID算法的评价指标 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于LMBP神经网络的交通事件检测算法设计 | 第25-42页 |
| ·BP神经网络理论 | 第25-30页 |
| ·神经网络的概念 | 第25页 |
| ·神经网络的工作原理 | 第25-27页 |
| ·BP神经网络模型 | 第27-29页 |
| ·BP神经网络应用于交通事件检测的优势 | 第29-30页 |
| ·BP神经网络优化算法 | 第30-35页 |
| ·误差曲面特性分析 | 第30-31页 |
| ·启发式优化算法 | 第31-32页 |
| ·数值优化算法 | 第32-34页 |
| ·各种优化算法的MATLAB仿真分析 | 第34-35页 |
| ·改进LMBP神经网络初始权值的优化方法 | 第35-38页 |
| ·基于LMBP的交通事件检测算法设计 | 第38-41页 |
| ·LMBP交通事件检测算法适用性分析 | 第38-39页 |
| ·LMBP交通事件检测算法设计 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 LMBP建模及交通事件检测 | 第42-54页 |
| ·交通流数据来源 | 第42-43页 |
| ·数据来源 | 第42-43页 |
| ·数据预处理 | 第43页 |
| ·LMBP交通事件检测算法建模 | 第43-51页 |
| ·网络结构的设计 | 第43-45页 |
| ·网络各层激励函数的选取 | 第45-46页 |
| ·初始权值阈值的设置 | 第46-47页 |
| ·网络训练精度的确定 | 第47-49页 |
| ·输入参数的规范化处理 | 第49-51页 |
| ·LMBP-AID算法模型检测交通事件 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 集成LMBP检测交通事件 | 第54-62页 |
| ·集成学习方法理论 | 第54-55页 |
| ·集成学习的概念 | 第54-55页 |
| ·集成学习的作用 | 第55页 |
| ·AdaBoost集成LMBP检测交通事件 | 第55-59页 |
| ·AdaBoost方法的原理 | 第55-56页 |
| ·弱分类器的产生 | 第56页 |
| ·弱分类器的组合 | 第56-57页 |
| ·AdaBoost-LMBP建模检测交通事件 | 第57-59页 |
| ·集成弱分类器的改进 | 第59-60页 |
| ·各种交通事件检测算法性能比较 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文 | 第69页 |