| 第一章 绪论 | 第1-17页 |
| ·本文的选题背景与研究意义 | 第9-10页 |
| ·国内外事件检测算法的研究现状 | 第10-15页 |
| ·交通事件检测算法的分类比较 | 第11页 |
| ·交通事件检测算法的评价指标和评价准则 | 第11-15页 |
| ·粗集预处理数据的神经网络交通事件自动检测算法的提出 | 第15-16页 |
| ·算法的特点 | 第15页 |
| ·算法原理 | 第15-16页 |
| ·本文的主要研究工作 | 第16-17页 |
| 第二章 使用粗集理论进行数据挖掘 | 第17-25页 |
| ·粗集理论的发展 | 第17-18页 |
| ·粗集理论的相关基本概念 | 第18-20页 |
| ·信息系统 | 第18页 |
| ·不可分辨关系 | 第18-19页 |
| ·上、下近似集 | 第19页 |
| ·属性依赖关系 | 第19页 |
| ·独立度 | 第19-20页 |
| ·属性的相对重要度Imp_c | 第20页 |
| ·属性约简 | 第20页 |
| ·运用粗集理论对数据处理的一般步骤 | 第20-21页 |
| ·运用粗集理论对数据处理的特点 | 第21页 |
| ·属性特征的选择 | 第21-22页 |
| ·连续属性离散化 | 第22-23页 |
| ·约简算法寻优 | 第23-24页 |
| ·本章小节 | 第24-25页 |
| 第三章 神经网络检测交通事件的方法 | 第25-36页 |
| ·神经网络检测交通事件的算法简介 | 第25-31页 |
| ·多层前向反馈神经网络 | 第25-27页 |
| ·自组织映射网络 | 第27页 |
| ·自适应共振神经网络 | 第27-28页 |
| ·概率神经网络 | 第28-29页 |
| ·动态神经网络 | 第29-31页 |
| ·多层前向神经网络检测事件算法的基本原理 | 第31-33页 |
| ·多层前向神经网络结构的确定 | 第33-35页 |
| ·本章小节 | 第35-36页 |
| 第四章 交通仿真模型的建立与数据的获得 | 第36-44页 |
| ·仿真模型的建立 | 第36-37页 |
| ·仿真原理 | 第37-38页 |
| ·随机事件的模拟 | 第37页 |
| ·离散型随机变量的模拟 | 第37-38页 |
| ·交通流参数 | 第38-39页 |
| ·微观仿真原理 | 第39-41页 |
| ·车辆的到达 | 第39-40页 |
| ·车辆的运动 | 第40-41页 |
| ·仿真系统的描述 | 第41-42页 |
| ·路的描述 | 第41-42页 |
| ·车在路上行驶规则的描述 | 第42页 |
| ·事件模拟的描述 | 第42页 |
| ·获得的数据 | 第42-43页 |
| ·本章小节 | 第43-44页 |
| 第五章 粗集预处理数据的神经网络交通事件自动检测算法 | 第44-50页 |
| ·引言 | 第44页 |
| ·粗集预处理数据的神经网络交通事件自动检测算法的建立 | 第44-46页 |
| ·粗集对数据的预处理 | 第44-45页 |
| ·神经网络对事件的检测 | 第45-46页 |
| ·本文算法的主要步骤 | 第46-48页 |
| ·算法的实施过程 | 第48-49页 |
| ·粗集对数据的预处理过程 | 第48-49页 |
| ·神经网络理论对事件的检测模型 | 第49页 |
| ·本章小节 | 第49-50页 |
| 第六章 本文算法的分析与总结 | 第50-56页 |
| ·本文算法与其它神经网络算法的比较分析 | 第50-53页 |
| ·本文算法与SOFM、ART2 网络性能的比较分析 | 第50-52页 |
| ·本文算法与MLF 和PNN 算法的比较 | 第52-53页 |
| ·本文算法与传统算法的比较分析 | 第53-54页 |
| ·本文算法的优缺点 | 第54-56页 |
| 第七章 总结与展望 | 第56-58页 |
| ·全文总结 | 第56页 |
| ·本文研究内容的创新点 | 第56-57页 |
| ·完善本文研究内容的后续工作及展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 发表论文和科研情况说明 | 第63-64页 |
| 致谢 | 第64页 |
