| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第1章 绪论 | 第7-19页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外交通事故研究现状 | 第8-17页 |
| 1.2.1 交通事故频数预测 | 第8-14页 |
| 1.2.2 交通事故严重程度预测 | 第14-16页 |
| 1.2.3 小结 | 第16-17页 |
| 1.3 本文的主要组织结构 | 第17-18页 |
| 1.4 技术路线 | 第18-19页 |
| 第2章 交通事故影响因素分析 | 第19-29页 |
| 2.1 人的因素 | 第19-20页 |
| 2.1.1 驾驶员 | 第19-20页 |
| 2.1.2 乘客 | 第20页 |
| 2.1.3 行人 | 第20页 |
| 2.2 车的因素 | 第20-21页 |
| 2.3 环境因素 | 第21-24页 |
| 2.4 道路因素 | 第24-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 BP神经网络的基本理论 | 第29-42页 |
| 3.1 神经网络基础 | 第29-32页 |
| 3.1.1 神经网络的历史背景 | 第29-30页 |
| 3.1.2 神经网络的特点 | 第30-31页 |
| 3.1.3 神经网络的应用 | 第31-32页 |
| 3.2 神经网络的设计 | 第32-34页 |
| 3.2.1 神经元设计 | 第32页 |
| 3.2.2 神经元的传递函数 | 第32页 |
| 3.2.3 神经网络的分类 | 第32-34页 |
| 3.3 BP神经网络 | 第34-42页 |
| 3.3.1 BP神经网络基础 | 第34-39页 |
| 3.3.2 BP神经网络的局限性 | 第39-40页 |
| 3.3.3 标准BP神经网络的改进 | 第40-42页 |
| 第4章 基于LM的BP神经网络和极限学习机的基本理论 | 第42-46页 |
| 4.1 基于 LM 算法的 BP 神经网络神经元个数的确立 | 第42页 |
| 4.2 BP神经网络的学习算法和简介 | 第42-43页 |
| 4.3 极限学习机理论 | 第43-46页 |
| 第5章 交通事故严重程度预测实例分析 | 第46-60页 |
| 5.1 数据来源 | 第46页 |
| 5.2 数据量化 | 第46-49页 |
| 5.3 标准BP神经网络和基于LM的BP神经网络的比较 | 第49-55页 |
| 5.3.1 整体事故的比较 | 第49-51页 |
| 5.3.2 多车事故的比较 | 第51-53页 |
| 5.3.3 人车事故的比较 | 第53-55页 |
| 5.3.4 小结 | 第55页 |
| 5.4 基于LM算法的BP神经网络和极限学习机的学习和检验 | 第55-60页 |
| 第6章 结论与展望 | 第60-61页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
