| 第一章 绪论 | 第10-22页 |
| 1.1 课题研究背景 | 第10-14页 |
| 1.1.1 我国高速公路发展状况 | 第10-11页 |
| 1.1.2 高速公路交通事故与交通拥堵状况 | 第11-12页 |
| 1.1.3 高速公路信息化管理状况 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 交通检测器研究现状 | 第14-18页 |
| 1.2.2 被动声学检测技术研究现状 | 第18-19页 |
| 1.3 论文研究目的和意义 | 第19-20页 |
| 1.4 研究内容 | 第20页 |
| 1.5 论文研究技术线路 | 第20-21页 |
| 1.6 本章小结 | 第21-22页 |
| 第二章 声学基础与实验检测系统设计 | 第22-40页 |
| 2.1 声学基本知识 | 第22-26页 |
| 2.1.1 声音与声源 | 第22-23页 |
| 2.1.2 声波基本性质 | 第23-24页 |
| 2.1.3 声波传播特性 | 第24页 |
| 2.1.4 多普勒效应 | 第24-25页 |
| 2.1.5 声波空气传播衰减 | 第25-26页 |
| 2.2 汽车声学信号 | 第26-31页 |
| 2.2.1 汽车噪声 | 第26-28页 |
| 2.2.2 汽车噪声频谱分析 | 第28-29页 |
| 2.2.3 地振动信号 | 第29-30页 |
| 2.2.4 地振动信号谱分析 | 第30-31页 |
| 2.3 检测系统设计 | 第31-39页 |
| 2.3.1 硬件部分 | 第31-37页 |
| 2.3.2 软件部分 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 声信号分析与处理方法 | 第40-68页 |
| 3.1 信号时域分析 | 第40页 |
| 3.2 参数模型方法 | 第40-50页 |
| 3.2.1 经典功率谱估计 | 第40-42页 |
| 3.2.2 谱估计的参数模型方法 | 第42-50页 |
| 3.3 小波分析方法 | 第50-67页 |
| 3.3.1 时-频分析 | 第50-52页 |
| 3.3.2 小波分析 | 第52-63页 |
| 3.3.3 小波包分析 | 第63-67页 |
| 3.4 本章小结 | 第67-68页 |
| 第四章 车辆检测与计数 | 第68-79页 |
| 4.1 车辆检测 | 第68-73页 |
| 4.1.1 能量法 | 第68-69页 |
| 4.1.2 短时能量谱和短时过零率结合法 | 第69-73页 |
| 4.2 车辆计数 | 第73-76页 |
| 4.2.1 硬件计数器 | 第73-74页 |
| 4.2.2 软件计数器 | 第74-76页 |
| 4.3 实验分析 | 第76-78页 |
| 4.3.1 仿真实验 | 第76-77页 |
| 4.3.2 实测实验 | 第77-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第五章 车辆速度测定 | 第79-88页 |
| 5.1 车辆速度测量方法 | 第79-82页 |
| 5.1.1 经典测量方法 | 第79-82页 |
| 5.1.2 基于声学信号的车速判定方法 | 第82页 |
| 5.2 实验与分析 | 第82-87页 |
| 5.2.1 经典测速实验分析 | 第82-84页 |
| 5.2.2 声学信号特征判定车速实验分析 | 第84-87页 |
| 5.3 本章小结 | 第87-88页 |
| 第六章 车辆车型自动分类 | 第88-119页 |
| 6.1 车型自动分类问题概述 | 第88-91页 |
| 6.1.1 车型分类标准 | 第88-89页 |
| 6.1.2 车辆自动分类方法 | 第89-91页 |
| 6.2 模式识别 | 第91-95页 |
| 6.2.1 模式和模式识别概念 | 第91-92页 |
| 6.2.2 模式识别系统组成 | 第92-94页 |
| 6.2.3 典型的模式识别方法 | 第94-95页 |
| 6.3 基于粗糙集的特征选择原理 | 第95-99页 |
| 6.3.1 粗糙集的基本概念 | 第96-99页 |
| 6.3.2 粗糙集算法的特点 | 第99页 |
| 6.4 BP 神经网络分类器 | 第99-105页 |
| 6.4.1 BP 网络应用 | 第99-100页 |
| 6.4.2 BP 网络模型 | 第100-101页 |
| 6.4.3 BP 网络学习算法 | 第101-103页 |
| 6.4.4 BP 网络性能及其改进 | 第103-105页 |
| 6.5 实验分析 | 第105-118页 |
| 6.5.1 特征提取 | 第105-109页 |
| 6.5.2 实验数据特征向量提取 | 第109-112页 |
| 6.5.3 粗糙集合特征选择 | 第112-114页 |
| 6.5.4 U检验与粗集结果不一致图形分析 | 第114-116页 |
| 6.5.5 神经网络识别 | 第116-118页 |
| 6.6 本章小结 | 第118-119页 |
| 第七章 交通事件自动直接检测 | 第119-138页 |
| 7.1 交通事件管理系统 | 第119-120页 |
| 7.2 现有交通事件检测技术 | 第120-124页 |
| 7.2.1 检测技术分类 | 第120-121页 |
| 7.2.2 事件自动检测技术 | 第121-123页 |
| 7.2.3 事件自动直接检测技术 | 第123-124页 |
| 7.3 交通事故声学直接检测技术 | 第124-128页 |
| 7.4 实验与分析 | 第128-136页 |
| 7.4.1 小波包特征提取 | 第128-131页 |
| 7.4.2 实测信号实验 | 第131-134页 |
| 7.4.3 仿真信号实验 | 第134-136页 |
| 7.5 本章小结 | 第136-138页 |
| 第八章 结论与展望 | 第138-141页 |
| 8.1 本文取得的主要进展 | 第138-139页 |
| 8.2 论文工作展望 | 第139-141页 |
| 附录Ⅰ 车辆速度判定数据分析相关表格 | 第141-149页 |
| 附录Ⅱ 车型自动分类数据分析相关表格 | 第149-161页 |
| 附录Ⅲ U检验和粗集特征选择对比分析图和表格 | 第161-166页 |
| 附录Ⅳ 交通事故自动检测数据分析相关表格 | 第166-172页 |
| 参考文献 | 第172-179页 |
| 作者攻读博士学位期间发表的学术论文、参与的科研项目 | 第179-180页 |
| 致谢 | 第180-181页 |
| 摘要 | 第181-183页 |
| ABSTRACT | 第183页 |