| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-17页 |
| ·研究背景 | 第9页 |
| ·几种常见的车辆特征提取方法及其优缺点 | 第9-12页 |
| ·外形轮廓扫描法 | 第9-10页 |
| ·车轴计数法 | 第10页 |
| ·车牌自动识别法 | 第10-11页 |
| ·环形线圈检测法 | 第11页 |
| ·轴重和总重识别法 | 第11-12页 |
| ·事先划分识别方法 | 第12页 |
| ·车辆波形分类问题的提出 | 第12-14页 |
| ·车辆感应波形的产生 | 第12-13页 |
| ·车辆感应波形的一般特征 | 第13-14页 |
| ·本文的主要内容概述 | 第14-15页 |
| ·本文章节安排 | 第15-17页 |
| 第二章 特征提取方法 | 第17-27页 |
| ·引言 | 第17页 |
| ·车辆数据的预处理 | 第17-18页 |
| ·成分分析法 | 第18-21页 |
| ·成分分析的基本理论 | 第19-20页 |
| ·对车辆波形的特征提取及波形重构 | 第20-21页 |
| ·核成分分析法 | 第21-22页 |
| ·特征提取结果比较 | 第22-23页 |
| ·类可分性测量 | 第23-26页 |
| ·类可分性的测试方法 | 第23-24页 |
| ·类可分性比较 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 ART 网络与最小距离分类法的研究与比较 | 第27-41页 |
| ·引言 | 第27页 |
| ·ART 神经网络的结构和原理 | 第27-32页 |
| ·ART 神经网络概述 | 第27-28页 |
| ·ART 神经网络结构 | 第28-30页 |
| ·ART 神经网络的工作原理 | 第30-32页 |
| ·ART 神经网络分类器的设计 | 第32-35页 |
| ·样本数据的选取 | 第32页 |
| ·ART 网络的训练 | 第32-34页 |
| ·ART 网络参数的选定 | 第34-35页 |
| ·最小距离分类算法 | 第35-36页 |
| ·基于自适应距离度量的最小距离分类器 | 第36-38页 |
| ·自适应距离度量 | 第36-37页 |
| ·最优权重 W 的确定 | 第37-38页 |
| ·结果比较分析与性能比较 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于最小风险检测 ART 网络分类器的设计 | 第41-48页 |
| ·引言 | 第41页 |
| ·最小风险检测ART 网络的结构模型 | 第41-42页 |
| ·有师监督训练 | 第42-43页 |
| ·最小风险 ART 网络的运行原理 | 第43-44页 |
| ·基于最小风险检测 ART 网络分类器的算法 | 第44-45页 |
| ·实验仿真与结果分析 | 第45-47页 |
| ·特征值选取与准则讨论 | 第45-46页 |
| ·结果分析与性能比较 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 总结与展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 附录 A 攻读硕士期间发表的学术论文 | 第53页 |