中国高新技术企业
中國高新技術企業
중국고신기술기업
China High Technology Enterprises
2007年
10期
99-100
,共2页
刘智平%单刚%王凤群%徐纪锋
劉智平%單剛%王鳳群%徐紀鋒
류지평%단강%왕봉군%서기봉
交通流%支持向量机%信息融合%事件检测%模式识别
交通流%支持嚮量機%信息融閤%事件檢測%模式識彆
교통류%지지향량궤%신식융합%사건검측%모식식별
支持向量机(SVM)是一种崭新的机器学习方法,它建立在结构风险最小化原理的基础上,具有很高的泛化性能.此方法能解决小样本、非线性及高维模式识别中的问题.本文以高速公路上的交通流参数为研究对象,提出了一种基于支持向量机的信息融合算法,并利用事件和非事件条件下的模拟数据对支持向量机进行了训练和测试.同时将该算法与多层前向神经网络(MLF)算法进行了性能比较,仿真实验结果表明该算法具有更好的分类效果,更高的检测率和更低的误报率,可以明显改善检测效果.
支持嚮量機(SVM)是一種嶄新的機器學習方法,它建立在結構風險最小化原理的基礎上,具有很高的汎化性能.此方法能解決小樣本、非線性及高維模式識彆中的問題.本文以高速公路上的交通流參數為研究對象,提齣瞭一種基于支持嚮量機的信息融閤算法,併利用事件和非事件條件下的模擬數據對支持嚮量機進行瞭訓練和測試.同時將該算法與多層前嚮神經網絡(MLF)算法進行瞭性能比較,倣真實驗結果錶明該算法具有更好的分類效果,更高的檢測率和更低的誤報率,可以明顯改善檢測效果.
지지향량궤(SVM)시일충참신적궤기학습방법,타건립재결구풍험최소화원리적기출상,구유흔고적범화성능.차방법능해결소양본、비선성급고유모식식별중적문제.본문이고속공로상적교통류삼수위연구대상,제출료일충기우지지향량궤적신식융합산법,병이용사건화비사건조건하적모의수거대지지향량궤진행료훈련화측시.동시장해산법여다층전향신경망락(MLF)산법진행료성능비교,방진실험결과표명해산법구유경호적분류효과,경고적검측솔화경저적오보솔,가이명현개선검측효과.
