基于混合支持向量机多分类器的交通事件检测方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景 | 第9-11页 |
| ·研究意义 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·国外研究现状 | 第12-13页 |
| ·国内研究现状 | 第13-14页 |
| ·研究内容及结构 | 第14-15页 |
| 第二章 交通事件及检测方法 | 第15-25页 |
| ·交通事件的概念 | 第15-16页 |
| ·交通事件的定义及分类 | 第15页 |
| ·不可预测性交通事件的特性分析 | 第15-16页 |
| ·交通事件检测的类型 | 第16-19页 |
| ·自动检测方法与非自动检测方法 | 第17-18页 |
| ·直接检测方法与间接检测方法 | 第18页 |
| ·间接交通事件检测系统 | 第18-19页 |
| ·交通事件自动检测算法的评价指标与评价方法 | 第19-21页 |
| ·交通事件检测算法的评价指标 | 第19-20页 |
| ·交通事件检测算法的评价方法 | 第20-21页 |
| ·经典交通事件检测算法 | 第21-25页 |
| ·California 算法 | 第21-22页 |
| ·贝叶斯算法 | 第22页 |
| ·Mc Master 算法 | 第22-23页 |
| ·神经网络算法 | 第23-25页 |
| 第三章 支持向量机在交通事件检测中的应用研究 | 第25-36页 |
| ·引言 | 第25页 |
| ·传统学习理论 | 第25-26页 |
| ·经验最小化原则 | 第25-26页 |
| ·经验最小化原则的局限性 | 第26页 |
| ·支持向量机的相关概念 | 第26-29页 |
| ·VC 维 | 第27页 |
| ·结构风险最小值原则 | 第27-29页 |
| ·基于支持向量机在交通事件检测研究 | 第29-36页 |
| ·支持向量机的原理 | 第29-33页 |
| ·SVM-AID 算法可行性研究 | 第33页 |
| ·SVM-AID 模型构建 | 第33-36页 |
| 第四章 基于支持向量机多分类器AID 算法研究 | 第36-49页 |
| ·支持向量机多分类器的组合形式 | 第36-37页 |
| ·MSVM-AID 算法研究 | 第37-42页 |
| ·交通流参数及其组合 | 第37-38页 |
| ·MSVM-AID 算法的模型选择及工作原理 | 第38-39页 |
| ·MSVM-AID 算法的特征向量设计 | 第39-40页 |
| ·MSVM-AID 算法工作步骤 | 第40-41页 |
| ·MSVM-AID 算法优缺点 | 第41-42页 |
| ·混合MSVM-AID 算法研究 | 第42-49页 |
| ·混合MSVM-AID 算法的原理 | 第42-44页 |
| ·混合MSVM-AID 算法的设计原理及模型设计 | 第44-45页 |
| ·混合MSVM-AID 算法工作步骤与流程 | 第45-47页 |
| ·混合MSVM-AID 算法的特征向量设计 | 第47-49页 |
| 第五章 算例分析 | 第49-60页 |
| ·数据来源与SVM 模型选择 | 第49-51页 |
| ·方案设计 | 第51-56页 |
| ·事件方案设计 | 第51-54页 |
| ·实验方案设计 | 第54-55页 |
| ·训练方案设计 | 第55-56页 |
| ·结果分析 | 第56-60页 |
| 第六章 总结与展望 | 第60-62页 |
| ·全文总结 | 第60-61页 |
| ·全文展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录A 读硕士学位期间公开发表的论文与科研情况 | 第67-68页 |
| 附录B | 第68-71页 |
