基于集成模糊分类器的交通状态判别算法
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-12页 |
| 1 绪论 | 第12-18页 |
| ·研究的目的和意义 | 第12-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·论文的主要内容 | 第16-17页 |
| ·小结 | 第17-18页 |
| 2 研究背景与基础 | 第18-30页 |
| ·道路交通状态指标体系 | 第18-23页 |
| ·交通拥挤的含义及分类 | 第18-19页 |
| ·道路交通状态判别方法分类 | 第19-21页 |
| ·现有交通运行状态评价指标 | 第21-22页 |
| ·路段交通状态的划分 | 第22-23页 |
| ·模糊理论 | 第23-27页 |
| ·模糊理论及其应用的简史 | 第23-24页 |
| ·模糊推理 | 第24-27页 |
| ·集成学习 | 第27-29页 |
| ·集成学习的基本概念 | 第27-28页 |
| ·集成学习的作用 | 第28页 |
| ·集成学习的系统框架和集成方法 | 第28-29页 |
| ·小结 | 第29-30页 |
| 3 基于集成模糊分类器的交通状态判别算法 | 第30-43页 |
| ·现有算法 | 第30-31页 |
| ·现有算法的优缺点 | 第31页 |
| ·新算法应具备的特点 | 第31页 |
| ·集成模糊分类器的交通状态判别算法 | 第31-42页 |
| ·算法设计 | 第31-32页 |
| ·模型的模糊推理规则 | 第32-35页 |
| ·Sugeno型模糊推理 | 第35-38页 |
| ·集成模糊分类器 | 第38-39页 |
| ·三个分类器结果出现三个不同的状态 | 第39-40页 |
| ·集成模糊分类器的训练 | 第40-42页 |
| ·小结 | 第42-43页 |
| 4 实验验证和算法模拟软件 | 第43-66页 |
| ·实验数据 | 第43-50页 |
| ·人工数据 | 第43-47页 |
| ·微波检测器数据 | 第47-50页 |
| ·单个检测器数据的训练与验证 | 第50-52页 |
| ·集成模糊分类器训练 | 第50-51页 |
| ·分类器验证结果 | 第51-52页 |
| ·多个检测器数据的训练与验证 | 第52-57页 |
| ·多个检测器的数据融合 | 第53-55页 |
| ·集成模糊分类器训练与验证 | 第55-57页 |
| ·软件设计 | 第57-65页 |
| ·软件开发环境 | 第57-58页 |
| ·软件结构设计 | 第58页 |
| ·软件流程图 | 第58-61页 |
| ·软件的功能 | 第61-65页 |
| ·小结 | 第65-66页 |
| 5 结论 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录A | 第70-71页 |
| 附录B | 第71-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |
