基于Adaboost算法的交通事件检测

提出一种Adaboost BP神经网络的交通事件检测方法:以上下游的流量和占有率作为特征,用BP神经网络作为分类器进行交通事件的自动分类与检测.在BP神经网络的训练过程中,提出一种新的训练算法,提高了神经网络的分类能力.为了进一步提高神经网络的泛化能力,采用改进的Adaboost算法,进行网络集成.运用Matlab进行仿真分析.结果表明所提出的交通事件检测算法具有较好的检测性能.     

基于Adaboost方法的高速公路事件检测

阐述Adaboost方法原理及算法,提出采用Adaboost方法结合神经网络算法进行高速公路事件检测,给出了基于Adaboost方法的事件检测算法。该算法可以明显提升神经网络算法性能,适合进行高速公路事件检测,仿真实验结果表明了该算法的有效性和可行性。     

基于Adaboost集成RBF神经网络的高速公路事件检测

提出一种基于Adaboost集成RBF神经网络的高速公路事件检测方法。首先对高速公路事件检测原理进行分析,进行了相关的参数选择,确定了RBF神经网络的结构,然后采用改进的Adaboost方法集成RBF神经网络进行高速公路事件检测并给出了事件检测算法的步骤,最后进行了仿真实验,实验结果表明,该方法可以明显提高RBF神经网络性能（高检测率、低误报率）,且具有较强的泛化能力,适宜高速公路事件检测。     

基于Adaboost算法的高速公路事件检测

本文介绍Adaboost方法的基本原理及算法；阐述了高速公路事件检测原理并进行了参数选择，确定了神经网络的结构，提出利用Adaboost方法进行高速公路事件检测并给出了该方法事件检测的算法步骤，最后进行了仿真实验。实验结果表明，该算法可以大大提高弱分类算法的性能，具有较高的检测率和较低的误报率，适于高速公路事件检测。     

基于Boosting算法和RBF神经网络的交通事件检测

提出一种新颖的基于Boosting RBF神经网络的交通事件检测方法。对Boosting算法进行改进,采用更有效的参数求解方法,即弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关。以上下游的流量和占有率作为特征,将RBF神经网络作为分类器进行交通事件的自动分类与检测。为了进一步提高神经网络的泛化能力,采用Boosting方法进行网络集成。最后运用Matlab进行了仿真分析,结果表明提出的交通事件检测算法利用较少样本数据即可快速实现交通事件检测。     

LVQ神经网络在交通事件检测中的应用

提出一种基于LVQ神经网络的交通事件检测方法。提取上下游的流量和占有率为特征,LVQ神经网络作为分类器进行交通事件自动检测。LVQ网络结构简单,但却表现出比BP神经网络更强的有效性和鲁棒性。为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。运用Matlab 进行了仿真分析,结果表明提出的交通事件检测算法具有良好的检测性能。     

粒子群优化神经网络的交通事件检测算法研究

为减少交通事件引起的交通延误,提出一种基于粒子群优化神经网络的交通事件检测算法;首先,利用车载激光测距仪和GPS设备作为实验平台,采集了反映路段车辆占有率及车辆运行速度特征的交通参数;其次,利用粒子群(PSO)算法训练随机产生的初始化数据,优化BP神经网络连接权值和阈值;最后,将PSO优化后的BP神经网络作为分类器进行交通事件的自动分类和检测;试验中比较了PSO神经网络算法、BP神经网络算法和经典算法对交通事件的检测效果,PSO神经网络算法在事件检测率(DR)、平均检测时间(MTTD)方面均优于其他目标算法;结果显示,粒子群优化的神经网络算法用于交通事件检测提高了检测性能。     

基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

目标检测中基于Kohonen网络的特征提取方法

为适应时变乃至模型未知的复杂环境,S.Haykin等提出了一种基于神经网络模式识别的雷达目标检测方法.作者在深入研究该检测系统中主要模块:用作分类器的MLP网络和用作特征提取的PCA网络的局限性后,提出分别运用模糊神经网络与Kohonen神经网络对其检测系统进行改进重构.本文主要介绍基于Kohonen网络特征提取的检测方法,并分别运用模拟与真实数据,与原PCA方法进行了性能比较实验与分析.     

基于BP神经网络的高速公路交通事件检测

回顾了几种传统的交通事件检测算法，提出基于多层前向人工神经网络的检测模型，并运用BP算法予以实现。在将BP算法与传统算法进行比较之后，发现BP算法具有检测率高、误报率低、平均检测时间短的优点，同时也存在不足之处，指出了今后进一步研究的方向。     

A hybrid model of partial least squares and neural network for traffic incident detection

Development of a universal freeway incident detection algorithm is a task that remains unfulfilled and many promising approaches have been recently explored. The partial least squares (PLS) method and artificial neural network (NN) were found in previous studies to yield superior incident detection performance. In this article, a hybrid model which combines PLS and NN is developed to detect automatically traffic incident. A real traffic data set collected from motorways A12 in the Netherlands is presented to illustrate such an approach. Data cleansing has been introduced to preprocess traffic data sets to improve the data quality in order to increase the veracity and reliability of incident model. The detection performance is evaluated by the common criteria including detection rate, false alarm rate, mean time to detection, classification rate and the area under the curve (AUC) of the receiver operating characteristic. Computational results indicate that the hybrid approach is capable of increasing detection performance comparing to PLS, and simplifying the NN structure for incident detection. The hybrid model is a promising alternative to the usual PLS or NN for incident detection.     

神经网络在移动机器人路径规划中的应用研究

移动机器人路径规划可分为两种类型:(1)全局路径规划;(2)局部路径规划。本文分析了Kohonen神经网络算法及其识别机理,提出了Kohonen神经网络和BP神经网络结合起来进行路径规划的方法,最后给出了具体的算法,探讨了在神经网络技术中引入学习机制的特点。     

Classification of freeway traffic patterns for incident detectionusing constructive probabilistic neural networks

This paper proposes a new technique for freeway incident detection using a constructive probabilistic neural network (CPNN). The CPNN incorporates a clustering technique with an automated training process. The work reported in this paper was conducted on Ayer Rajah Expressway (AYE) in Singapore for incident detection model development, and subsequently on I-880 freeway in California, for model adaptation. The model developed achieved incident detection performance of 92% detection rate and 0.81% false alarm rate on AYE, and 91.30% detection rate and 0.27% false alarm rate on I-880 freeway using the proposed adaptation method. In addition to its superior performance, the network pruning method employed facilitated model size reduction by a factor of 11 compared to a conventional probabilistic neural network. A more impressive size reduction by a factor of 50 was achieved after the model was adapted for the new site. The results from this paper suggest that CPNN is a better adaptive classifier for incident detection problem with a changing site traffic environment.     

事件检测支持向量机模型与神经网络模型比较

针对交通领域中的事件检测(无事件模式和有事件模式)模式识别问题,描述了支持向量机(SVM)的基本方法,建立了基于线性(linearfunction)、多项式(polynomialfunction)和径向基(radialbasisfunction)3种核函数的事件检测SVM模型,并与PNN、MLF模型进行了理论比较。采用I-880线圈数据集和事件数据集建立并验证SVM、PNN和MLF模型,结果发现:无论对于向北、向南或混合方向的事件检测,SVM模型的检测率(DR)、误报率(FAR)和平均检测时间(MTTD)指标均比MLF模型好;PNN模型的DR比SVM(P)模型的高,但FAR和MTTD指标不比SVM(P)模型好;在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法与神经网络算法相比具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

基于对向传播网络的交通事件检测算法

针对高速公路交通这个复杂的非线性系统,提出一种基于对向传播网络的交通事件检测算法。阐述了对向传播网络的结构和学习算法,给出了事件检测的依据,并合理地选择了网络的输入参数,用高速公路管理部门提供的样本数据进行了仿真研究。仿真结果表明,该事件检测算法具有学习速度快、泛化能力好、检测准确率高、平均检测时间短等优点,具有良好的应用前景。