声明
摘要
第1章 绪论
1.1 研究背景及意义
1.1.1 课题研究背景
1.1.2 研究目的及意义
1.2 国内外研究现状及发展趋势
1.2.1 国外交通事件检测算法研究
1.2.2 国内交通事件检测研究及发展趋势
1.3 论文主要研究内容与结构框架分布
第2章 高速公路交通事件检测原理及算法分析
2.1 交通事件基本概念
2.2 交通事件检测原理分析
2.2.1 交通流特征参数
2.2.2 交通事件与交通流参数变化的关系
2.3 交通事件检测技术及交通流数据采集分析
2.3.1 交通事件自动检测技术分类
2.3.2 基于视频图像的事件检测系统分析
2.3.3 基于视频图像的交通数据信息采集
2.4 AID算法
2.4.1 AID算法介绍
2.4.2 AID算法的评价指标
2.5 本章小结
第3章 基于RBF神经网络模型算法的交通事件检测分析
3.1 RBF神经网络原理及理论分析
3.1.1 RBF神经网络基本原理
3.1.2 RBF神经网络数学分析
3.1.3 RBF网络模型用于交通事件检测的优势
3.2 RBF神经网络设计
3.2.1 RBF网络隐结点函数的选择
3.2.2 RBF神经网络隐层中心的确定
3.3 基于RBF模型的交通事件检测仿真
3.3.1 数据来源
3.3.2 数据规范化及仿真
3.4 本章小结
第4章 基于IPSO_RBF模型算法的交通事件检测研究
4.1 基本粒子群算法分析
4.1.1 基本PSO算法概念和原理
4.1.2 基本PSO算法流程
4.2 改进的PSO算法分析研究
4.2.1 惯性权重取值分析
4.2.2 学习因子的选择分析
4.2.3 综合优化粒子群
4.2.4 综合改进的PSO算法仿真对比
4.3 基于IPSO_RBF模型的交通事件检测算法分析设计
4.3.1 基于IPSO模型的交通事件检测关键点
4.3.2 基于IPSO算法的流程设计
4.4 实验仿真及其分析
4.4.1 基于PSO_RBF算法的交通事件检测实验仿真
4.4.2 仿真实验比较
4.5 本章小结
第5章 集成IPSO_RBF模型的交通事件检测
5.1 集成学习思想原理分析
5.1.1 集成学习基本概念
5.1.2 集成学习的优势
5.2 AdaBoost集成IPSO_RBF的交通事件检测
5.2.1 AdaBoost算法基本原理
5.2.2 弱分类器解析
5.2.3 AdaBoost集成IPSO_RBF模型的交通事件检测
5.3 改进集成弱分类器
5.3.1 弱分类器集成改进方式
5.3.2 各种检测算法综合性能比较
5.4 本章小结
总结与展望
致谢
参考文献
攻读硕士学位期间发表的论文
西南交通大学;