| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题的研究背景及意义 | 第8-10页 |
| 1.2 车辆侧翻预警系统的研究现状 | 第10-13页 |
| 1.2.1 国外车辆侧翻预警研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.3 课题主要研究内容 | 第13-15页 |
| 第二章 隐马可夫模型 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 模式识别 | 第15页 |
| 2.3 一阶马尔可夫链随机过程 | 第15-17页 |
| 2.4 隐马可夫模型概述 | 第17-21页 |
| 2.4.1 HMM基本概念 | 第17-19页 |
| 2.4.2 HMM模型的分类 | 第19-20页 |
| 2.4.3 HMM模型的结构 | 第20-21页 |
| 2.5 HMM的三个基本问题及算法 | 第21-27页 |
| 2.5.1 可见序列概率估计 | 第21-23页 |
| 2.5.2 隐状态估计 | 第23-24页 |
| 2.5.3 模型参数估计 | 第24-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 SUV车辆侧翻实验数据获取及预处理 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 基于Carsim的实验数据获取过程 | 第28-32页 |
| 3.2.1 实验工况的选定 | 第28-29页 |
| 3.2.2 Carsim软件介绍 | 第29-31页 |
| 3.2.3 Carsim/Simulink联合仿真获取数据 | 第31-32页 |
| 3.3 实验数据预处理 | 第32-36页 |
| 3.3.1 SUV车辆的运动状态 | 第33-34页 |
| 3.3.2 数据的分割处理 | 第34-35页 |
| 3.3.3 数据标准化和归一化 | 第35-36页 |
| 3.4 基于K-means聚类的SUV车辆运动状态界限值确定 | 第36-38页 |
| 3.4.1 聚类分析的概念 | 第36-37页 |
| 3.4.2 基于K-均值算法的聚类 | 第37-38页 |
| 3.4.3 k-均值聚类的结果 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于HMM的车辆侧翻预警模型训练及预测 | 第40-49页 |
| 4.1 引言 | 第40页 |
| 4.2 建立多维高斯HMM车辆运动状态模型 | 第40-41页 |
| 4.2.1 多维高斯HMM基本原理 | 第40页 |
| 4.2.2 模型建立过程 | 第40-41页 |
| 4.3 基于HMM车辆侧翻预警的原理 | 第41-44页 |
| 4.3.1 马尔可夫预测法 | 第41-42页 |
| 4.3.2 预警工作原理 | 第42-44页 |
| 4.4 HMM模型的离线训练 | 第44-45页 |
| 4.5 HMM模型的离线辨识 | 第45-47页 |
| 4.6 离线验证车辆的侧翻预警 | 第47页 |
| 4.7 本章小结 | 第47-49页 |
| 第五章 BP-神经网络侧翻运动参数预测 | 第49-58页 |
| 5.1 引言 | 第49页 |
| 5.2 神经网络基本原理 | 第49-51页 |
| 5.3 BP神经网络建模及预测 | 第51-57页 |
| 5.3.1 寻找最优参数 | 第51-53页 |
| 5.3.2 BP神经网络学习建模 | 第53-54页 |
| 5.3.3 BP神经网络预测 | 第54-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 主要研究成果及创新 | 第58-59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |