| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-22页 |
| 1.1 引言 | 第14-15页 |
| 1.2 课题的研究背景与意义 | 第15-16页 |
| 1.3 国内外林区火灾监测研究现状 | 第16-19页 |
| 1.3.1 林区火灾预测的国内外研究现状 | 第16-18页 |
| 1.3.2 林区火灾监测技术的国内外研究现状 | 第18-19页 |
| 1.4 本文主要研究内容与章节安排 | 第19-22页 |
| 2 林区火灾监测关键技术分析 | 第22-32页 |
| 2.1 无线传感器网络与物联网技术 | 第22-26页 |
| 2.1.1 无线传感器网络 | 第22页 |
| 2.1.2 物联网技术 | 第22-23页 |
| 2.1.3 常用的无线传输技术 | 第23-24页 |
| 2.1.4 LoRa技术 | 第24-26页 |
| 2.2 多传感器信息融合 | 第26-27页 |
| 2.2.1 多传感器信息融合原理 | 第26-27页 |
| 2.2.2 信息融合的关键技术 | 第27页 |
| 2.3 林区火灾预警中常用的预测算法 | 第27-30页 |
| 2.3.1 BP多层前馈神经网络 | 第27-29页 |
| 2.3.2 支持向量机学习算法 | 第29页 |
| 2.3.3 极限学习机学习算法 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 林区火灾监测系统设计 | 第32-56页 |
| 3.1 林区火灾监测系统总体设计方案 | 第32-33页 |
| 3.2 火灾监测系统硬件设计 | 第33-46页 |
| 3.2.1 传感器设计 | 第33-38页 |
| 3.2.2 无线传输模块设计 | 第38-40页 |
| 3.2.3 4G模块设计 | 第40-42页 |
| 3.2.4 主控制器设计 | 第42-43页 |
| 3.2.5 供电模块设计 | 第43-46页 |
| 3.3 林区火灾监测系统节点设计 | 第46-48页 |
| 3.3.1 林区火灾监测系统节点设计需求分析 | 第46-47页 |
| 3.3.2 林区环境传感器感知节点设计 | 第47页 |
| 3.3.3 中继节点设计 | 第47-48页 |
| 3.3.4 网关节点设计 | 第48页 |
| 3.4 林区火灾监测系统软件设计 | 第48-51页 |
| 3.4.1 LoRa的数据通信协议设计 | 第48-49页 |
| 3.4.2 底层节点数据传输程序设计 | 第49-50页 |
| 3.4.3 网关节点与中继节点程序设计 | 第50-51页 |
| 3.4.4 4G入网设计 | 第51页 |
| 3.5 林区火灾监测平台与数据库设计 | 第51-54页 |
| 3.5.1 火灾监测平台设计 | 第51-52页 |
| 3.5.2 数据库设计 | 第52-54页 |
| 3.6 本章小结 | 第54-56页 |
| 4 基于决策级信息融合的林区火灾辨识模型研究 | 第56-64页 |
| 4.1 PSO-ELM林区火灾辨识模型 | 第56-60页 |
| 4.1.1 ELM模型建立过程 | 第56页 |
| 4.1.2 极限学习机概述 | 第56-58页 |
| 4.1.3 PSO粒子群算法 | 第58-59页 |
| 4.1.4 PSO优化ELM的输入权值和隐含层阈值 | 第59-60页 |
| 4.2 PSO-ELM 传递函数与神经元个数优选 | 第60-62页 |
| 4.2.1 林区火灾信号参数选则 | 第60页 |
| 4.2.2 林区火灾辨识预警等级划分 | 第60-61页 |
| 4.2.3 PSO-ELM 训练激活函数与神经元个数优选 | 第61-62页 |
| 4.3 本章小结 | 第62-64页 |
| 5 仿真与结果分析 | 第64-68页 |
| 5.1 基于 PSO-ELM 的林区火灾信号辨识仿真结果分析 | 第64-66页 |
| 5.1.1 PSO-ELM优化后的林区火灾信号预测结果 | 第64-65页 |
| 5.1.2 PSO-ELM与几种常见林区火灾预测算法分析 | 第65-66页 |
| 5.2 训练时间效果分析 | 第66-67页 |
| 5.3 本章小结 | 第67-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介及读研期间主要科研成果 | 第76-77页 |
