基于多源传感器交通模式识别
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-20页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 交通模式识别概述 | 第11-18页 |
| 1.2.1 模式识别基础 | 第11-12页 |
| 1.2.2 国内外研究现状 | 第12-18页 |
| 1.3 本文的主要内容及章节安排 | 第18-20页 |
| 2 交通模式识别中相关理论及算法 | 第20-28页 |
| 2.1 传感器 | 第20-22页 |
| 2.2 分类器 | 第22-23页 |
| 2.3 分类器性能评估 | 第23-26页 |
| 2.4 CNN卷积神经网络 | 第26页 |
| 2.5 贝叶斯投票算法 | 第26-28页 |
| 3 基于贝叶斯投票分传感器的交通模式识别 | 第28-49页 |
| 3.1 算法框架设计 | 第28-29页 |
| 3.2 传感器特征提取 | 第29-39页 |
| 3.2.1 数据预处理 | 第29-31页 |
| 3.2.2 特征提取 | 第31-37页 |
| 3.2.3 Adaboost分类器 | 第37-39页 |
| 3.3 算法描述 | 第39-41页 |
| 3.4 实验结果分析 | 第41-48页 |
| 3.4.1 实验环境 | 第41页 |
| 3.4.2 评估方法 | 第41页 |
| 3.4.3 实验结果 | 第41-48页 |
| 3.5 总结 | 第48-49页 |
| 4 基于深度学习的交通模式识别 | 第49-66页 |
| 4.1 算法框架 | 第49-50页 |
| 4.2 数据特征分析 | 第50页 |
| 4.3 算法描述 | 第50-56页 |
| 4.3.1 使用特征数据 | 第50-54页 |
| 4.3.2 使用原始数据 | 第54-56页 |
| 4.4 实验结果 | 第56-64页 |
| 4.4.1 实验环境 | 第56页 |
| 4.4.2 数据集 | 第56-57页 |
| 4.4.3 性能评估 | 第57页 |
| 4.4.4 评估试验 | 第57-64页 |
| 4.5 鲁棒性 | 第64页 |
| 4.6 本章小结 | 第64-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
