基于SVM的多信息融合技術(shù)在公交客流識別系統(tǒng)中的應(yīng)用研究

第1章 緒論
1．1 研究背景
1．1．1 公交客流識別的研究背景及意義
1．1．2 公交客流識別方法研究現(xiàn)狀及發(fā)展方向
1．2 多信息融合技術(shù)
1．2．1 信息融合技術(shù)的研究背景
1．2．2 信息融合技術(shù)研究歷史
1．2．3 多信息融合方法研究現(xiàn)狀
1．3 基于支持向量機的多信息融合方法
1．4 本書的主要內(nèi)容及章節(jié)安排
第2章 基于支持向量機的多信息融合方法
2．1 多信息融合原理及框架
2．1．1 多信息融合的定義
2．1．2 多信息融合的原理
2．1．3 多傳感器信息融合的分類
2．1．4 多源信息融合常用模型
2．1．5 多信息融合系統(tǒng)體系結(jié)構(gòu)
2．2 信息融合方法
2．2．1 直接對數(shù)據(jù)源操作的方法
2．2．2 基于對象的統(tǒng)計特性和概率模型的方法
2．2．3 基于規(guī)則推理的方法
2．3 基于支持向量機的多信息融合算法
2．3．1 支持向量機的理論基礎(chǔ)
2．3．2 基于支持向量機的多信息融合方法
2．3．3 應(yīng)用于客流識別中所存在問題
2．4 本章小結(jié)
第3章 支持向量機訓練算法的研究
3．1 引言
3．2 訓練算法的研究現(xiàn)狀
3．3 預(yù)選樣本集
3．4 SVM訓練樣本集縮減策略（SVM-LSISRS）
3．4．1 SVM-LSTSRS原理
3．4．2 模糊C均值聚類算法原理
3．4．3 基于FCM的樣本點類型判定
3．4．4 SVM-LSTSRS實現(xiàn)步驟
3．4．5 SVM-LSTSRS性能分析
3．5 實驗結(jié)果及分析
3．5．1 二維可視數(shù)據(jù)
3．5．2 Libsvm提供的分類測試數(shù)據(jù)
3．6 ISTSRS與其他算法比較
3．7 本章小結(jié)
第4章 支持向量機快速分類算法的研究
4．1 引言
4．2 SVM簡化方法
4．3 基于特征空間相似性分析的sVM快速分類算法
4．3．1 支持向量相似度分析
4．3．2 相似性系數(shù)的選擇
4．3．3 基于最小支撐樹的支持向量分組
4．3．4 特定因子的選擇及相關(guān)系數(shù)的確定
4．3．5 實現(xiàn)步驟
4．3．6 時間復(fù)雜度分析
4．4 實驗分析
4．5 本章小結(jié)
第5章 支持向量機模型參數(shù)優(yōu)化選擇算法的研究
5．1 引言
5．2 模型參數(shù)對于SVM性能的影響
5．3 基于免疫記憶克隆策略的支持向量機參數(shù)優(yōu)化算法
5．3．1 免疫克隆算法
5．3．2 基于免疫記憶克隆策略的支持向量機參數(shù)優(yōu)化算法（IMC-SVM）
5．4 實驗結(jié)果及分析
5．4．1 基于RBF核的sVM參數(shù)優(yōu)化實驗
5．4．2 基于Sigmoid核的sVM參數(shù)優(yōu)化實驗
5．5 本章小結(jié)
第6章 基于SVM的多信息融合方法在公交客流識別中的應(yīng)用
6．1 壓力數(shù)據(jù)分析
6．1．1 壓力數(shù)據(jù)采集系統(tǒng)
6．1．2 人體運動學原理
6．1．3 單人壓力數(shù)據(jù)分析
6．1．4 雙人壓力數(shù)據(jù)分析
6．2 時序信息分析
6．2．1 單人時序分析
6．2．2 雙人時序分析
6．2．3 總結(jié)
6．3 多信息融合公交客流識別方法的研究
6．3．1 用于公交客流識別的多信息融合模型設(shè)計
6．3．2 多信息融合客流識別方法的實現(xiàn)
6．4 本章小結(jié)
第7章 嵌入式客流信息采集終端的研究及實現(xiàn)
7．1 嵌入式系統(tǒng)概述
7．2 硬件設(shè)計
7．2．1 最小系統(tǒng)設(shè)計
7．2．2 存儲系統(tǒng)設(shè)計
7．2．3 語音電路設(shè)計
7．2．4 外設(shè)接口設(shè)計
7．3 軟件設(shè)計
7．3．1 嵌入式操作系統(tǒng)
7．3．2 霤／OS-Ⅱ系統(tǒng)移植
7．3．3 系統(tǒng)任務(wù)設(shè)計
7．4 仿真實驗
7．5 本章小結(jié)
第8章 總結(jié)
參考文獻