| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 研究现状概况 | 第9-13页 |
| 1.2.2 研究现状分析与总结 | 第13-14页 |
| 1.3 研究目的和意义 | 第14-15页 |
| 1.4 研究内容及结构安排 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 2 California算法及模型改进 | 第18-40页 |
| 2.1 引言 | 第18页 |
| 2.2 California算法概述 | 第18-21页 |
| 2.2.1 算法基本思想 | 第18-19页 |
| 2.2.2 算法现状分析 | 第19-21页 |
| 2.3 California算法模型分析与改进 | 第21-32页 |
| 2.3.1 算法模型分析 | 第21-30页 |
| 2.3.2 算法模型改进 | 第30-32页 |
| 2.4 California算法改进模型验证 | 第32-38页 |
| 2.4.1 算法验证指标 | 第32页 |
| 2.4.2 结果分析与讨论 | 第32-38页 |
| 2.5 本章小结 | 第38-40页 |
| 3 California算法参数自整定方法 | 第40-56页 |
| 3.1 引言 | 第40页 |
| 3.2 California算法参数整定方法概述 | 第40-42页 |
| 3.3 基于智能算法的参数自整定方法 | 第42-53页 |
| 3.3.1 智能算法分析与改进 | 第42-44页 |
| 3.3.2 算法参数的离线整定 | 第44-51页 |
| 3.3.3 算法参数的在线整定 | 第51-53页 |
| 3.4 检测灵敏度系数研究 | 第53-55页 |
| 3.4.1 灵敏度分析原理概述 | 第53页 |
| 3.4.2 检测灵敏度系数设计 | 第53-55页 |
| 3.5 本章小结 | 第55-56页 |
| 4 基于事件检测性能的自整定条件研究 | 第56-92页 |
| 4.1 引言 | 第56页 |
| 4.2 自整定条件分析 | 第56-57页 |
| 4.3 自整定影响因素分析 | 第57-81页 |
| 4.3.1 影响因素分析 | 第57-74页 |
| 4.3.2 影响因素表征 | 第74-81页 |
| 4.4 基于事件检测性能的自整定条件建模 | 第81-91页 |
| 4.4.1 关联建模思路 | 第82页 |
| 4.4.2 条件模型建立 | 第82-88页 |
| 4.4.3 条件模型验证 | 第88-91页 |
| 4.5 本章小结 | 第91-92页 |
| 5 California算法参数自整定方法实例分析 | 第92-98页 |
| 5.1 引言 | 第92页 |
| 5.2 实现环境及平台概况 | 第92-93页 |
| 5.3 参数自整定系统流程 | 第93-94页 |
| 5.4 应用与对比分析 | 第94-97页 |
| 5.5 本章小结 | 第97-98页 |
| 6 总结与展望 | 第98-100页 |
| 致谢 | 第100-102页 |
| 参考文献 | 第102-106页 |
| 附录 | 第106页 |
| A 作者在攻读硕士学位期间发表的论文目录 | 第106页 |
| B 作者在攻读硕士学位期间申请的发明专利 | 第106页 |
| C 作者在攻读硕士学位期间参与的科研项目 | 第106页 |