基于流量预测的城市单交叉路口多相位交通信号的控制技术
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-22页 |
| §1-1 研究背景 | 第10-11页 |
| §1-2 研究意义 | 第11-12页 |
| §1-3 国内外研究现状 | 第12-19页 |
| 1-3-1 实时交通流量检测 | 第12-13页 |
| 1-3-2 交通控制器 | 第13-17页 |
| 1-3-3 交通流量预测 | 第17-19页 |
| §1-4 存在问题及发展趋势 | 第19-20页 |
| 1-4-1 存在问题 | 第19-20页 |
| 1-4-2 发展趋势 | 第20页 |
| §1-5 本文的研究内容和结构安排 | 第20-22页 |
| 第二章 城市道路交通智能控制系统整体结构设计 | 第22-36页 |
| §2-1 交叉口信号智能控制系统组成 | 第22页 |
| §2-2 车辆信息采集模块 | 第22-26页 |
| 2-2-1 车辆检测方式的选择 | 第23-25页 |
| 2-2-2 视频车辆检测原理 | 第25-26页 |
| §2-3 车流量预测模块 | 第26-32页 |
| 2-3-1 车流量预测模块功能与分类 | 第26页 |
| 2-3-2 短时交通流量预测实现方案 | 第26-27页 |
| 2-3-3 模糊神经网络模型 | 第27-32页 |
| §2-4 交通信号控制模块 | 第32-35页 |
| 2-4-1 交通信号控制模块功能 | 第32页 |
| 2-4-2 交通信号控制实现方案 | 第32-33页 |
| 2-4-3 系统整体控制方式 | 第33-35页 |
| §2-5 小结 | 第35-36页 |
| 第三章基于视频的车辆检测技术 | 第36-52页 |
| §3-1 视频车辆检测器的硬件组成 | 第36-37页 |
| 3-1-1 摄像机功能及性能指标 | 第36页 |
| 3-1-2 图像采集卡 | 第36-37页 |
| 3-1-3 本系统采用设备的选择 | 第37页 |
| §3-2 运动车辆检测算法 | 第37-41页 |
| 3-2-1 彩色图像色彩模型的选择 | 第38-39页 |
| 3-2-2 运动目标检测算法 | 第39-41页 |
| §3-3 图像分割算法 | 第41-44页 |
| 3-3-1 图像分割基本方法 | 第41页 |
| 3-3-2 最佳阈值的二值化图像分割 | 第41-42页 |
| 3-3-3 车辆阴影的滤除算法 | 第42-44页 |
| §3-4 图像去噪算法 | 第44-45页 |
| 3-4-1 数学形态学知识 | 第44页 |
| 3-4-2 本文提出的去噪算法 | 第44-45页 |
| §3-5 车流量参数的提取算法 | 第45-47页 |
| 3-5-1 梯度极值法 | 第45-46页 |
| 3-5-2 仿真结果 | 第46-47页 |
| §3-6 图像处理流程与结果 | 第47-51页 |
| 3-6-1 图像处理流程 | 第47-48页 |
| 3-6-2 仿真结果 | 第48-51页 |
| §3-7 小结 | 第51-52页 |
| 第四章 交通流量的模糊神经网络预测模型 | 第52-68页 |
| §4-1 常用预测算法存在的问题 | 第52-53页 |
| §4-2 蚁群优化算法 | 第53-56页 |
| 4-2-1 蚁群优化算法基本原理 | 第53-54页 |
| 4-2-2 蚁群优化算法模型 | 第54-56页 |
| 4-2-3 蚁群优化算法应用现状 | 第56页 |
| §4-3 粒子群优化算法 | 第56-59页 |
| 4-3-1 标准粒子群优化算法 | 第56-58页 |
| 4-3-2 粒子群优化算法与其他进化算法的比较 | 第58页 |
| 4-3-3 粒子群优化算法的应用现状 | 第58-59页 |
| §4-4 交通流量的模糊神经网络预测模型 | 第59-61页 |
| §4-5 模糊神经网络学习算法 | 第61-67页 |
| 4-5-1 粒子群优化模糊神经网络 | 第61-64页 |
| 4-5-2 蚁群粒子群混合优化模糊神经网络 | 第64-67页 |
| §4-6 小结 | 第67-68页 |
| 第五章 单交叉口多相位交通信号的模糊神经网络控制 | 第68-78页 |
| §5-1 交通信号控制中基本概念与评价指标 | 第68-71页 |
| 5-1-1 基本概念 | 第68-69页 |
| 5-1-2 评价指标 | 第69-71页 |
| §5-2 单交叉口多相位交通模型 | 第71-72页 |
| 5-2-1 交通布局 | 第71页 |
| 5-2-2 车辆延误模型 | 第71-72页 |
| §5-3 模糊神经网络控制模型 | 第72-74页 |
| 5-3-1 信号配时模糊神经网络控制的思想 | 第72-73页 |
| 5-3-2 信号配时模糊神经网络控制器结构 | 第73页 |
| 5-3-3 多相位模糊神经网络交通控制算法 | 第73-74页 |
| §5-4 基于PSO的模糊神经网络学习算法 | 第74-76页 |
| 5-4-1 模糊神经网络的训练过程 | 第74页 |
| 5-4-2 算法实现过程 | 第74-76页 |
| §5-5 交通系统的仿真研究 | 第76-77页 |
| §5-6 小结 | 第77-78页 |
| 第六章 交通信号控制机的设计 | 第78-86页 |
| §6-1 交通信号控制机的总体设计 | 第78-79页 |
| §6-2 交通信号控制机的硬件设计 | 第79-83页 |
| 6-2-1 DSP模块 | 第79-80页 |
| 6-2-2 键盘及显示模块 | 第80-81页 |
| 6-2-3 信号灯状态检测及灯驱动模块 | 第81-82页 |
| 6-2-4 时钟模块 | 第82-83页 |
| 6-2-5 通信模块 | 第83页 |
| §6-3 交通信号控制机的软件设计 | 第83-84页 |
| 6-3-1 软件功能 | 第83-84页 |
| 6-3-2 软件实现 | 第84页 |
| §6-4 小结 | 第84-86页 |
| 第七章 结论 | 第86-88页 |
| §7-1 研究总结 | 第86-87页 |
| §7-2 研究展望 | 第87-88页 |
| 参考文献 | 第88-96页 |
| 致谢 | 第96-97页 |
| 攻读学位期间所取得的相关科研成果 | 第97页 |
