| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的背景及意义 | 第11-13页 |
| 1.2 多传感器信息融合的研究现状 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 信息融合相关技术 | 第17-27页 |
| 2.1 多传感器信息融合研究领域 | 第17-19页 |
| 2.2 多传感器信息融合的系统结构 | 第19-24页 |
| 2.2.1 信息融合的层次结构 | 第19-21页 |
| 2.2.2 信息融合的体系结构 | 第21-24页 |
| 2.3 多传感器信息融合方法 | 第24页 |
| 2.4 本章小结 | 第24-27页 |
| 第3章 信息融合算法研究与改进 | 第27-43页 |
| 3.1 基于火灾预测的特征级信息融合 | 第27-37页 |
| 3.1.1 基于BP神经网络的分类与预测算法应用 | 第27-33页 |
| 3.1.2 基于ELM极限学习机的分类与预测算法应用 | 第33-35页 |
| 3.1.3 算法性能对比分析 | 第35-37页 |
| 3.2 基于D-S证据理论合成规则辅助决策算法的提出 | 第37-40页 |
| 3.3 基于智能理论的信息融合方法的提出 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 火灾信号提取与建模 | 第43-51页 |
| 4.1 火灾信号分析 | 第43-47页 |
| 4.1.1 火灾信号的基本特征 | 第43-45页 |
| 4.1.2 火灾信号的识别算法的提出 | 第45-47页 |
| 4.2 预测系统模型提出 | 第47-50页 |
| 4.2.1 火灾参量的选取 | 第47-48页 |
| 4.2.2 火灾系统模型 | 第48-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 火灾预测算法的仿真与分析 | 第51-67页 |
| 5.1 火灾预测的信息层融合 | 第51-54页 |
| 5.1.1 数据平滑 | 第51-52页 |
| 5.1.2 数据归一化 | 第52-54页 |
| 5.2 基于极限学习机的特征层融合 | 第54-63页 |
| 5.2.1 信息融合火灾预测的特征层结构 | 第54页 |
| 5.2.2 基于在线学列极限学习机的特征层实现 | 第54-63页 |
| 5.3 基于D-S证据理论的决策层融合 | 第63-65页 |
| 5.3.1 D-S证据理论的证据判别 | 第63-65页 |
| 5.3.2 决策层融合结果 | 第65页 |
| 5.4 本章小结 | 第65-67页 |
| 第6章 火灾预测系统的设计与实现 | 第67-77页 |
| 6.1 功能分析设计 | 第67-69页 |
| 6.2 总体架构设计与实现 | 第69-74页 |
| 6.2.1 运行环境 | 第69页 |
| 6.2.2 系统架构 | 第69-71页 |
| 6.2.3 子模块设计 | 第71-74页 |
| 6.3 数据库表设计 | 第74-75页 |
| 6.4 系统效果与结果分析 | 第75-76页 |
| 6.5 本章小结 | 第76-77页 |
| 第7章 结论 | 第77-79页 |
| 7.1 本文研究结论 | 第77-78页 |
| 7.2 未来展望 | 第78-79页 |
| 参考文献 | 第79-81页 |
| 致谢 | 第81页 |