| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 被动式酒驾辨识方法的研究现状 | 第12-13页 |
| 1.2.2 主动式酒驾辨识方法的研究现状 | 第13-16页 |
| 1.2.3 驾驶倾向性研究现状 | 第16-18页 |
| 1.3 研究体系框架 | 第18页 |
| 1.4 主要研究内容 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 考虑驾驶倾向性的必要性研究 | 第20-36页 |
| 2.1 研究方法 | 第20-24页 |
| 2.1.1 驾驶倾向性量化方法 | 第20-21页 |
| 2.1.2 酒驾行为定量分析方法 | 第21-24页 |
| 2.2 数据来源及指标选取 | 第24-31页 |
| 2.2.1 数据来源 | 第24-28页 |
| 2.2.2 指标选取 | 第28-31页 |
| 2.3 分析结果 | 第31-35页 |
| 2.3.1 驾驶倾向性测试结果 | 第31-32页 |
| 2.3.2 距离分析结果 | 第32-33页 |
| 2.3.3 方差分析结果 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 不考虑驾驶倾向性差异的驾驶员酒驾行为辨识模型 | 第36-53页 |
| 3.1 因子分析与多层神经网络组合模型 | 第36-44页 |
| 3.1.1 因子分析模型 | 第36-38页 |
| 3.1.2 多层神经网络模型 | 第38-43页 |
| 3.1.3 因子分析与多层神经网络组合模型 | 第43-44页 |
| 3.2 数据来源及参数选择 | 第44-49页 |
| 3.2.1 实验设计 | 第44-45页 |
| 3.2.2 参数选择及因子分析结果 | 第45-49页 |
| 3.3 因子分析与多层神经网络组合模型训练及辨识结果分析 | 第49-52页 |
| 3.3.1 模型训练 | 第49-50页 |
| 3.3.2 模型辨识结果分析 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 具有不同驾驶倾向驾驶员的酒驾行为特征提取 | 第53-68页 |
| 4.1 基于BP神经网络与离散粒子群算法的特征提取模型 | 第53-58页 |
| 4.1.1 BP神经网络 | 第53-54页 |
| 4.1.2 离散粒子群算法 | 第54-56页 |
| 4.1.3 BP神经网络与DPSO算法组合特征提取模型 | 第56-58页 |
| 4.2 数据来源及参数选择 | 第58-62页 |
| 4.2.1 实验设计 | 第58-59页 |
| 4.2.2 参数选择 | 第59-62页 |
| 4.3 特征提取及验证过程 | 第62-66页 |
| 4.3.1 特征提取过程 | 第62-65页 |
| 4.3.2 特征向量的效果验证 | 第65-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第5章 考虑驾驶倾向性差异的驾驶员酒驾行为辨识模型 | 第68-85页 |
| 5.1 基于离散动态贝叶斯网络的酒驾辨识模型 | 第68-78页 |
| 5.1.1 离散动态贝叶斯网络基本原理 | 第68-74页 |
| 5.1.2 考虑驾驶倾向性的酒驾辨识中离散动态贝叶斯网络的引入 | 第74-78页 |
| 5.2 特征节点数据来源及分析 | 第78-79页 |
| 5.2.1 特征节点数据来源 | 第78页 |
| 5.2.2 特征节点数据分析 | 第78-79页 |
| 5.3 模型辨识过程及效果分析 | 第79-82页 |
| 5.3.1 模型辨识过程 | 第79-80页 |
| 5.3.2 辨识效果分析 | 第80-82页 |
| 5.4 与不考虑驾驶倾向性差异的酒驾辨识模型的对比研究 | 第82-84页 |
| 5.5 本章小结 | 第84-85页 |
| 第6章 总结及展望 | 第85-88页 |
| 6.1 本文主要研究成果及创新点 | 第85-86页 |
| 6.2 进一步研究的建议 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-93页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第93-94页 |
| 1 发表论文情况 | 第93-94页 |
| 2 参与课题情况 | 第94页 |
| 3 获奖情况 | 第94页 |
