最小二乘支持向量机交通事件检测算法

根据高速公路有事件发生时交通流将产生突变这一原理,采用最小二乘支持向量机研究高速公路事件检测问题。阐述了最小二乘支持向量机分类算法,设计了事件检测系统结构,分析了交通事件对交通流的影响规律,并合理地选取了最小二乘支持向量机的输入量。仿真实验表明,最小二乘支持向量机事件检测算法具有检测准确率高、学习速度快等优点,具有良好的应用前景。     

基于小波变换和LS-SVM的事件检测算法

根据高速公路有事件发生时交通流将产生突变这一原理,提出一种基于小波变换和最小二乘支持向量机的事件自动检测算法。首先用小波变换提取特征数据,然后用最小二乘支持向量机进行分类,仿真实验表明该算法具有检测时间短、检测率高和误报率低的优点,它为事件检测提供了一种切实可行的新思路。     

基于粗糙集和支持向量机的高速公路事件检测

针对目前高速公路事件检测算法存在的局限性,提出基于粗糙集理论和支持向量机的高速公路事件检测算法。在介绍粗糙集理论和支持向量机原理的基础上,给出了检测算法的实现方法,并用Matlab对多种算法进行了仿真和性能对比。仿真结果表明,基于粗糙集理论和支持向量机的事件检测算法具有检测准确率高,训练时间短,泛化能力好等优点,具有良好的应用前景。     

基于支持向量机的高速公路事件检测算法

针对高速公路事件检测算法的重要性,从高速公路交通流的特点出发,根据事件检测的基本原理,对基于支持向量机的高速公路事件检测算法进行研究。设计了2个实验,在每个实验中分别设计了基于线性不可分支持向量机（SVM）、高斯径向基核函数、双曲线正切核函数的事件检测算法,以此验证算法是否有效。利用林智仁教授的Libsvm工具箱参数优化模块对各实验的惩罚参数C和核参数进行优化选择。仿真结果表明：针对不同的实验,选择合适的SVM模型和核函数,可获得比California算法更好的性能指标。     

基于支持向量机的高速公路限速控制

提出用支持向量机回归方法实现高速公路限速控制,这是一个非线性系统建模问题。阐述了支持向量机回归算法,根据高速公路车辆群状态、路面性能、气象条件等,建立交通流速度限制支持向量机回归模型。仿真实验表明,支持向量机回归对小样本具有训练速度快、泛化能力好等优点。支持向量机回归方法为交通流限速控制的在线建模提供了一种切实可行的新思路。     

一种改善的基于支持向量机的图像边缘检测算法

本文给出一种基于支持向量机方法的边缘检测算法,用以改善传统边缘检测方法中存在的比如粗糙边缘、不准确边缘等缺点。支持向量机是建立在统计学理论基础上的一种新的机器学习方法。首先提出了边缘检测算法流程,然后使用支持向量机分类方法对图像进行边缘检测。用所得到的边缘检测算法与Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与Prewitt算法相比,边缘检测性能得到提高。     

基于模糊聚类支持向量机的高速公路事件检测

高速公路自动事件检测(AID)系统作为智能交通系统(ITS)的重要组成部分,通过及时发现高速公路上发生的事故隐患,尽量减少事故发生的不利影响,可以有效地减少交通延误,保障道路安全,减少环境污染。文章采用一种强有力的分类工具—支持向量机(SVM)来进行高速公路事件检测,针对数据集在支持向量机中所起作用的不同以及可能存在噪声及孤立点的情况,采用了一种改进的模糊C均值聚类方法对训练样本进行预处理,大大地减少了训练样本数量,提高了支持向量机的训练速度,并且具有很好的鲁棒性。仿真实验的结果表明了该方法的可行性和有效性。     

基于支持向量机的改进分类算法

为了进一步提高支持向量机分类的准确性和泛化能力,提出一种基于支持向量机的改进二叉树分类算法.首先介绍支持向量机的基本原理,总结了常见的多分类器分类算法及其特点,结合现有分类算法的优点,为分类器引入了不同的权值,提出二叉树改进分类算法,有效避免了常用分类算法不足.通过仿真实验,与典型的多类分类算法对比,验证该算法的有效性,为多类分类预测研究提供了一条有效的途径.     

介质访问控制层拒绝服务攻击的入侵检测系统

针对无线局域网安全防护手段的不足,结合无线局域网介质访问控制层拒绝服务攻击的特点,设计了基于支持向量机算法的入侵检测系统。该系统利用支持向量机分类准确性高的特点,构建支持向量机最优分类超平面和分类判决函数,对网络流量进行分类识别,完成对异常流量的检测。在OPNET平台下进行无线局域网环境入侵检测仿真,仿真结果表明,该系统能有效地检测出针对无线局域网介质访问控制层的拒绝服务攻击。     

利用Lagrange支持向量回归机设计IDS的检测算法

为提高网络入侵检测系统中检测算法的分类精度,降低训练样本及学习时间,在基于支持向量回归机的基础上,提出一种新的利用Lagrange支持向量回归机设计IDS的检测算法。使用KDD CUP 1999数据集进行仿真实验,结果表明该算法较基于支持向量回归机的检测算法具有更良好的泛化性能、更快的迭代速度、更高的检测精度和更低的误报率。     

基于概率神经网络的高速公路事件检测

针对高速公路事件检测这一非线性分类问题,提出一种基于概率神经网络的事件检测方法。阐述了概率神经网络的结构与训练算法,分析了事件对交通流的影响规律,并合理地选取了概率神经网络的输入量,用高速公路管理部门提供的样本数据进行了仿真研究。仿真实验表明,基于概率神经网络的事件检测方法具有学习速度快、泛化能力好、检测准确率高等优点,具有良好的应用前景。     

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。     

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。     

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。