| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景及研究意义 | 第10-11页 |
| ·研究背景 | 第10页 |
| ·研究目的和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·论文的主要内容 | 第13-15页 |
| 第2章 高速公路交通事件检测原理分析 | 第15-24页 |
| ·交通事件基本概念 | 第15页 |
| ·交通事件检测基本原理 | 第15-18页 |
| ·交通流特征参数 | 第16-17页 |
| ·交通事件对交通流特征参数的影响 | 第17-18页 |
| ·交通事件检测技术 | 第18-20页 |
| ·交通事件检测技术类型 | 第18-19页 |
| ·交通事件自动检测系统 | 第19-20页 |
| ·交通事件自动检测算法 | 第20-23页 |
| ·交通事件自动检测算法评价指标 | 第21-22页 |
| ·交通事件自动检测算法分类 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于SVM的交通事件检测算法分析与设计 | 第24-35页 |
| ·统计学习理论 | 第24-26页 |
| ·机器学习问题 | 第24-25页 |
| ·结构风险最小化原则 | 第25-26页 |
| ·支持向量机分类原理 | 第26-31页 |
| ·最优分类超平面 | 第26-29页 |
| ·广义最优分类面 | 第29页 |
| ·核函数 | 第29-31页 |
| ·基于SVM的交通事件检测算法设计 | 第31-34页 |
| ·SVM-AID的适用性分析 | 第31页 |
| ·SVM-AID算法设计 | 第31-33页 |
| ·SVM模型构建中的关键问题分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于SVM的交通事件检测算法仿真 | 第35-53页 |
| ·交通数据来源与评价指标的确定 | 第35-38页 |
| ·交通数据来源 | 第35-36页 |
| ·交通数据准备 | 第36页 |
| ·交通事件检测算法评价指标确定 | 第36-38页 |
| ·交通数据规范化处理 | 第38-39页 |
| ·数据规范化方法 | 第38-39页 |
| ·数据规范化处理及结果分析 | 第39页 |
| ·基于主成分分析的交通流特征提取 | 第39-44页 |
| ·主成分分析原理 | 第40-41页 |
| ·主成分分析步骤 | 第41-42页 |
| ·基于PCA的交通流特征提取及结果分析 | 第42-44页 |
| ·基于遗传算法的SVM参数选择 | 第44-52页 |
| ·遗传算法基本原理 | 第44-45页 |
| ·基于遗传算法的SVM参数选择设计 | 第45-49页 |
| ·仿真及结果分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 基于集成SVM的交通事件检测仿真 | 第53-60页 |
| ·集成学习基本理论 | 第53-55页 |
| ·集成学习基本概念 | 第53-54页 |
| ·子分类器的产生 | 第54页 |
| ·子分类器的组合 | 第54-55页 |
| ·基于Bagging方法的集成SVM交通事件检测仿真 | 第55-57页 |
| ·Bagging方法的原理 | 第55页 |
| ·仿真过程及结果 | 第55-57页 |
| ·基于Boosting方法的集成SVM交通事件检测仿真 | 第57-59页 |
| ·Boosting方法的原理 | 第57-58页 |
| ·仿真过程及结果 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 总结与展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |