| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究动态 | 第10-13页 |
| 1.2.1 国外研究动态 | 第10-11页 |
| 1.2.2 国内研究动态 | 第11-13页 |
| 1.3 研究目的和意义 | 第13-14页 |
| 1.3.1 论文研究的目的 | 第13页 |
| 1.3.2 论文研究的意义 | 第13-14页 |
| 1.4 该领域目前存在的问题 | 第14页 |
| 1.5 本文的思路与结构框架 | 第14-16页 |
| 1.5.1 本文各章研究内容 | 第15-16页 |
| 1.5.2 本文研究思路 | 第16页 |
| 1.6 本章小结 | 第16-17页 |
| 2 高速公路交通状态识别算法的标准体系的建立 | 第17-27页 |
| 2.1 模糊聚类算法交通参数的选取 | 第17-22页 |
| 2.1.1 高速公路基本路段及交通状态 | 第17页 |
| 2.1.2 高速公路交通流特征参数的分析 | 第17-22页 |
| 2.2 高速公路交通状态的分类标准 | 第22-24页 |
| 2.3 我国高速公路的交通流组成 | 第24页 |
| 2.4 基于模糊聚类分析的交通状态度量标准 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 模糊理论在高速公路交通状态识别中的应用 | 第27-36页 |
| 3.1 交通状态识别算法概述 | 第27-29页 |
| 3.1.1 传统算法概述 | 第27页 |
| 3.1.2 传统算法比较 | 第27-29页 |
| 3.2 基于模糊聚类分析的交通状态识别 | 第29-34页 |
| 3.2.1 模糊聚类分析 | 第29-32页 |
| 3.2.2 交通状态聚类FCM算法流程分析 | 第32-34页 |
| 3.3 FCM算法应用于高速公路状态识别存在的问题 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 SAGA-FCM算法和模糊模型识别 | 第36-45页 |
| 4.1 模拟退火算法 | 第36-38页 |
| 4.1.1 概述 | 第36-37页 |
| 4.1.2 算法实现 | 第37-38页 |
| 4.2 遗传算法 | 第38-39页 |
| 4.2.1 概述 | 第38页 |
| 4.2.2 算法实现 | 第38-39页 |
| 4.3 基于模拟退火遗传的组合算法对初始聚类中心选择过程的优化 | 第39-41页 |
| 4.3.1 SAGA概述 | 第39-41页 |
| 4.3.2 模拟退火遗传算法选取聚类中心的基本流程 | 第41页 |
| 4.4 基于模拟退火遗传算法的模糊C-均值聚类分析(SAGA-FCM) | 第41-43页 |
| 4.5 基于SAGA-FCM算法的模糊模型识别 | 第43-44页 |
| 4.5.1 闵可夫斯基距离 | 第43页 |
| 4.5.2 模糊模型识别原则 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 实例分析 | 第45-54页 |
| 5.1 FCM算法与SAGA-FCM算法的比较 | 第45-50页 |
| 5.1.1 数据的选取和处理 | 第45-47页 |
| 5.1.2 两种算法的程序准备 | 第47-49页 |
| 5.1.3 收敛速度的比较 | 第49-50页 |
| 5.1.4 目标函数值稳定性比较 | 第50页 |
| 5.2 基于SAGA-FCM聚类算法的有效性分析 | 第50-53页 |
| 5.2.1 两两参数验证分析 | 第50-52页 |
| 5.2.2 识别模型实例验证 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 攻读学位期间的研究成果 | 第59页 |
