基于SVM的多信息融合技术在公交客流识别系统中的应用研究PDF电子书下载

查看更多关于的内容

第1章 绪论 1

1.1 研究背景 1

1.1.1 公交客流识别的研究背景及意义 1

1.1.2 公交客流识别方法研究现状及发展方向 2

1.2 多信息融合技术 7

1.2.1 信息融合技术的研究背景 8

1.2.2 信息融合技术研究历史 9

1.2.3 多信息融合方法研究现状 12

1.3 基于支持向量机的多信息融合方法 13

1.4 本书的主要内容及章节安排 15

第2章 基于支持向量机的多信息融合方法 17

2.1 多信息融合原理及框架 17

2.1.1 多信息融合的定义 17

2.1.2 多信息融合的原理 18

2.1.3 多传感器信息融合的分类 19

2.1.4 多源信息融合常用模型 20

2.1.5 多信息融合系统体系结构 23

2.2 信息融合方法 25

2.2.1 直接对数据源操作的方法 26

2.2.2 基于对象的统计特性和概率模型的方法 27

2.2.3 基于规则推理的方法 28

2.3 基于支持向量机的多信息融合算法 30

2.3.1 支持向量机的理论基础 30

2.3.2 基于支持向量机的多信息融合方法 39

2.3.3 应用于客流识别中所存在问题 40

2.4 本章小结 41

第3章 支持向量机训练算法的研究 42

3.1 引言 42

3.2 训练算法的研究现状 42

3.3 预选样本集 43

3.4 SVM训练样本集缩减策略（SVM-LSTSRS） 44

3.4.1 SVM-LSTSRS原理 45

3.4.2 模糊C均值聚类算法原理 45

3.4.3 基于FCM的样本点类型判定 53

3.4.4 SVM-LSTSRS实现步骤 54

3.4.5 SVM-LSTSRS性能分析 55

3.5 实验结果及分析 56

3.5.1 二维可视数据 56

3.5.2 Libsvm提供的分类测试数据 57

3.6 LSTSRS与其他算法比较 59

3.7 本章小结 60

第4章 支持向量机快速分类算法的研究 61

4.1 引言 61

4.2 SVM简化方法 62

4.3 基于特征空间相似性分析的SVM快速分类算法 67

4.3.1 支持向量相似度分析 67

4.3.2 相似性系数的选择 68

4.3.3 基于最小支撑树的支持向量分组 69

4.3.4 特定因子的选择及相关系数的确定 71

4.3.5 实现步骤 72

4.3.6 时间复杂度分析 72

4.4 实验分析 72

4.5 本章小结 74

第5章 支持向量机模型参数优化选择算法的研究 75

5.1 引言 75

5.2 模型参数对于SVM性能的影响 76

5.3 基于免疫记忆克隆策略的支持向量机参数优化算法 77

5.3.1 免疫克隆算法 77

5.3.2 基于免疫记忆克隆策略的支持向量机参数优化算法（IMC-SVM） 78

5.4 实验结果及分析 80

5.4.1 基于RBF核的SVM参数优化实验 80

5.4.2 基于Sigmoid核的SVM参数优化实验 81

5.5 本章小结 83

第6章 基于SVM的多信息融合方法在公交客流识别中的应用 84

6.1 压力数据分析 84

6.1.1 压力数据采集系统 84

6.1.2 人体运动学原理 85

6.1.3 单人压力数据分析 87

6.1.4 双人压力数据分析 93

6.2 时序信息分析 98

6.2.1 单人时序分析 99

6.2.2 双人时序分析 100

6.2.3 总结 105

6.3 多信息融合公交客流识别方法的研究 106

6.3.1 用于公交客流识别的多信息融合模型设计 106

6.3.2 多信息融合客流识别方法的实现 107

6.4 本章小结 120

第7章 嵌入式客流信息采集终端的研究及实现 121

7.1 嵌入式系统概述 121

7.2 硬件设计 124

7.2.1 最小系统设计 124

7.2.2 存储系统设计 128

7.2.3 语音电路设计 129

7.2.4 外设接口设计 130

7.3 软件设计 136

7.3.1 嵌入式操作系统 136

7.3.2 μC/OS-Ⅱ系统移植 137

7.3.3 系统任务设计 143

7.4 仿真实验 145

7.5 本章小结 146

第8章 总结 147

参考文献 149

查看更多关于的内容