| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景与来源 | 第9-10页 |
| 1.2 课题研究的目的和意义 | 第10页 |
| 1.3 国内外研究现状及分析 | 第10-12页 |
| 1.3.1 国外研究现状 | 第10-11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.4 推理模型研究现状综述 | 第12-13页 |
| 1.5 本文研究内容 | 第13-15页 |
| 第2章 推理模型及训练优化研究 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 推理模型理论 | 第15-18页 |
| 2.2.1 线性推理模型 | 第15-16页 |
| 2.2.2 非线性推理模型 | 第16-18页 |
| 2.3 神经网络模型 | 第18-22页 |
| 2.3.1 神经网络传递函数 | 第19-20页 |
| 2.3.2 神经网络模型优化算法 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于最小描述长度的神经网络模型 | 第23-34页 |
| 3.1 引言 | 第23页 |
| 3.2 描述长度方法 | 第23-28页 |
| 3.2.1 最小描述长度理论介绍 | 第23-24页 |
| 3.2.2 用于模型选择的最小描述长度计算 | 第24-28页 |
| 3.3 基于最小描述长度的最优神经网络模型 | 第28-33页 |
| 3.3.1 神经网络模型中最小描述长度表述 | 第28-31页 |
| 3.3.2 神经网络模型中最小描述长度性质分析 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于最优推理模型的实证应用 | 第34-52页 |
| 4.1 引言 | 第34页 |
| 4.2 案例数据介绍 | 第34-37页 |
| 4.2.1 浮动车数据及预处理 | 第34-35页 |
| 4.2.2 浮动车数据地图匹配 | 第35-37页 |
| 4.3 基于改进的神经网络交通状况预测 | 第37-43页 |
| 4.4 不同条件下的最优神经网络模型选择 | 第43-49页 |
| 4.4.1 不同训练条件下最优模型的选择 | 第43-46页 |
| 4.4.2 不同传递函数和输入向量下最优模型的选择 | 第46-49页 |
| 4.4.3 实验结果分析 | 第49页 |
| 4.5 基于线性模型的实时路况检测分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |