光纤周界安防系统模式识别体系的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景 | 第10-12页 |
| 1.1.1 安防系统的介绍 | 第10-11页 |
| 1.1.2 红外探测技术 | 第11页 |
| 1.1.3 脉冲式报警技术 | 第11页 |
| 1.1.4 泄漏电缆探测技术 | 第11-12页 |
| 1.1.5 光纤传感探测技术 | 第12页 |
| 1.2 光纤周界系统发展现状 | 第12-13页 |
| 1.3 主要研究工作与创新点 | 第13-14页 |
| 1.4 论文内容安排 | 第14-16页 |
| 第二章 光纤振动传感器原理 | 第16-22页 |
| 2.1 光纤传感器的原理 | 第16页 |
| 2.2 光纤传感系统的典型结构 | 第16-19页 |
| 2.2.1 Sagnac光纤干涉仪 | 第16-17页 |
| 2.2.2 Michelson光纤干涉仪 | 第17页 |
| 2.2.3 M-Z光纤干涉仪 | 第17-19页 |
| 2.3 M-Z光纤干涉仪结构模型 | 第19页 |
| 2.4 光纤周界系统设计框图 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 光纤传感系统的事件信号分析 | 第22-34页 |
| 3.1 事件信号提取分析 | 第22-25页 |
| 3.1.1 人体工学简介 | 第22-23页 |
| 3.1.2 采样信号的分析 | 第23-24页 |
| 3.1.3 人体工学在采样信号中的应用 | 第24-25页 |
| 3.2 信号的特征分析 | 第25-27页 |
| 3.2.1 信号预处理 | 第25-26页 |
| 3.2.2 归一化 | 第26-27页 |
| 3.3 事件信号的特征提取 | 第27-29页 |
| 3.3.1 快速傅里叶变换 | 第27-28页 |
| 3.3.2 主成分分析 | 第28-29页 |
| 3.4 事件信号的特征提取设计 | 第29-32页 |
| 3.4.1 特征提取结构的设计 | 第29-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 事件信号的模式识别 | 第34-44页 |
| 4.1 机器学习理论 | 第34-35页 |
| 4.2 支持向量机 | 第35-37页 |
| 4.2.1 监督学习 | 第35页 |
| 4.2.2 支持向量机原理 | 第35-37页 |
| 4.2.3 核函数 | 第37页 |
| 4.3 k均值算法 | 第37-39页 |
| 4.3.1 无监督学习 | 第37页 |
| 4.3.2 距离度量 | 第37-38页 |
| 4.3.3 k均值算法原理 | 第38-39页 |
| 4.4 强化学习 | 第39-41页 |
| 4.5 集成学习 | 第41-42页 |
| 4.6 光纤周界安防系统算法体系 | 第42-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第五章 事件信号的识别体系与实验 | 第44-58页 |
| 5.1 实验工具 | 第44-46页 |
| 5.1.1 MATLAB | 第44页 |
| 5.1.2 Python | 第44页 |
| 5.1.3 C/C++ | 第44-45页 |
| 5.1.4 软件选取 | 第45-46页 |
| 5.2 实验环境与方案 | 第46-48页 |
| 5.2.1 实验环境 | 第46-48页 |
| 5.2.2 实验方案 | 第48页 |
| 5.3 采样周期的验证 | 第48-50页 |
| 5.4 识别算法的验证 | 第50-57页 |
| 5.4.1 时频域提取信号分析 | 第50-52页 |
| 5.4.2 滤波式弱分类器分析 | 第52-53页 |
| 5.4.3 PCA特征提取分析 | 第53-55页 |
| 5.4.4 模式识别算法的分析 | 第55-56页 |
| 5.4.5 参数自调优的设计 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文主要工作和成果 | 第58-59页 |
| 6.2 对下一步工作的展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 硕士期间的学术成果 | 第64页 |
