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

定　價(jià)：￥58.00

作　者：	朱方，魏珺芳
出版社：	東北大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥58.00)

ISBN：	9787551720748	出版時(shí)間：	2018-12-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	159	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　客流數(shù)據(jù)是整個(gè)公交企業(yè)管理業(yè)務(wù)的基礎(chǔ)，快速、準(zhǔn)確地采集車(chē)輛的客流信息為科學(xué)合理地安排調(diào)度車(chē)輛、優(yōu)化公交線路等智能管理提供了基本的依據(jù)，還可以全面如實(shí)地反映公交車(chē)輛的實(shí)際載客人數(shù)，方便與錢(qián)箱收入之間的核對(duì)?！痘赟VM的多信息融合技術(shù)在公交客流識(shí)別系統(tǒng)中的應(yīng)用研究》介紹了目前比較普遍的客流識(shí)別方法，并總結(jié)了其優(yōu)缺點(diǎn)，提出將多信息融合技術(shù)運(yùn)用到客流識(shí)別中來(lái)。在信息科學(xué)技術(shù)領(lǐng)域中，多源信息融合是一個(gè)有廣泛應(yīng)用背景及重要理論意義的研究課題。常用的信息融合算法有加權(quán)法、Bayes法、證據(jù)組合理論、模糊邏輯和神經(jīng)網(wǎng)絡(luò)等。這些方法大多依賴先驗(yàn)知識(shí)，從而造成在小樣本、高維空間情況下出現(xiàn)模式識(shí)別效果不佳的問(wèn)題。為了解決這個(gè)問(wèn)題，《基于SVM的多信息融合技術(shù)在公交客流識(shí)別系統(tǒng)中的應(yīng)用研究》將支持向量機(jī)（SVM）引入到多信息融合模式分類(lèi)中，并對(duì)于支持向量機(jī)算法進(jìn)行了研究。根據(jù)客流識(shí)別的實(shí)際問(wèn)題，對(duì)于支持向量機(jī)的訓(xùn)練算法、快速分類(lèi)算法及模型參數(shù)優(yōu)化選擇算法進(jìn)行了改進(jìn)。終將多信息融合技術(shù)引入客流識(shí)別領(lǐng)域中，構(gòu)建了基于支持向量機(jī)的多信息融合模型，應(yīng)用嵌入式技術(shù)設(shè)計(jì)并實(shí)現(xiàn)了多功能信息采集車(chē)載終端。

作者簡(jiǎn)介

暫缺《基于SVM的多信息融合技術(shù)在公交客流識(shí)別系統(tǒng)中的應(yīng)用研究》作者簡(jiǎn)介

圖書(shū)目錄

第1章緒論
1．1 研究背景
1．1．1 公交客流識(shí)別的研究背景及意義
1．1．2 公交客流識(shí)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(jī)的多信息融合方法
1．4 本書(shū)的主要內(nèi)容及章節(jié)安排
第2章基于支持向量機(jī)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(lèi)
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(duì)數(shù)據(jù)源操作的方法
2．2．2 基于對(duì)象的統(tǒng)計(jì)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(jī)的多信息融合算法
2．3．1 支持向量機(jī)的理論基礎(chǔ)
2．3．2 基于支持向量機(jī)的多信息融合方法
2．3．3 應(yīng)用于客流識(shí)別中所存在問(wèn)題
2．4 本章小結(jié)
第3章支持向量機(jī)訓(xùn)練算法的研究
3．1 引言
3．2 訓(xùn)練算法的研究現(xiàn)狀
3．3 預(yù)選樣本集
3．4 SVM訓(xùn)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(lèi)算法原理
3．4．3 基于FCM的樣本點(diǎn)類(lèi)型判定
3．4．4 SVM-LSTSRS實(shí)現(xiàn)步驟
3．4．5 SVM-LSTSRS性能分析
3．5 實(shí)驗(yàn)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(lèi)測(cè)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(jī)快速分類(lèi)算法的研究
4．1 引言
4．2 SVM簡(jiǎn)化方法
4．3 基于特征空間相似性分析的sVM快速分類(lèi)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(shù)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(shí)現(xiàn)步驟
4．3．6 時(shí)間復(fù)雜度分析
4．4 實(shí)驗(yàn)分析
4．5 本章小結(jié)
第5章支持向量機(jī)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(duì)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(jī)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(jī)參數(shù)優(yōu)化算法（IMC-SVM）
5．4 實(shí)驗(yàn)結(jié)果及分析
5．4．1 基于RBF核的sVM參數(shù)優(yōu)化實(shí)驗(yàn)
5．4．2 基于Sigmoid核的sVM參數(shù)優(yōu)化實(shí)驗(yàn)
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(shí)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(yùn)動(dòng)學(xué)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(shí)序信息分析
6．2．1 單人時(shí)序分析
6．2．2 雙人時(shí)序分析
6．2．3 總結(jié)
6．3 多信息融合公交客流識(shí)別方法的研究
6．3．1 用于公交客流識(shí)別的多信息融合模型設(shè)計(jì)
6．3．2 多信息融合客流識(shí)別方法的實(shí)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(shí)現(xiàn)
7．1 嵌入式系統(tǒng)概述
7．2 硬件設(shè)計(jì)
7．2．1 最小系統(tǒng)設(shè)計(jì)
7．2．2 存儲(chǔ)系統(tǒng)設(shè)計(jì)
7．2．3 語(yǔ)音電路設(shè)計(jì)
7．2．4 外設(shè)接口設(shè)計(jì)
7．3 軟件設(shè)計(jì)
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(jì)
7．4 仿真實(shí)驗(yàn)
7．5 本章小結(jié)
第8章總結(jié)
參考文獻(xiàn)