| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究的现状 | 第11-12页 |
| 1.2.2 国内的研究现状 | 第12页 |
| 1.2.3 研究内容 | 第12-13页 |
| 1.3 章节安排 | 第13-14页 |
| 第二章 火警智能化管理的相关理论介绍 | 第14-23页 |
| 2.1 火警智能化管理概述 | 第14-15页 |
| 2.2 探测设备火警误报的影响因素分析 | 第15-16页 |
| 2.3 火警智能化管理的理论体系流程 | 第16-17页 |
| 2.4 深度学习相关理论介绍 | 第17-20页 |
| 2.4.1 自编码神经网络 | 第17-19页 |
| 2.4.2 栈式自编码神经网络 | 第19-20页 |
| 2.5 Softmax回归分类模型 | 第20-21页 |
| 2.6 TensorFlow深度学习框架 | 第21-22页 |
| 2.7 本章小结 | 第22-23页 |
| 第三章 创建火警智能分析系统模型 | 第23-31页 |
| 3.1 火警智能分析系统的模型的建立 | 第23-24页 |
| 3.2 相关信息化描述 | 第24-25页 |
| 3.3 原始训练样本集属性及说明 | 第25-27页 |
| 3.4 数据预处理 | 第27-30页 |
| 3.4.1 原始时空因子信息主成分分析(PCA) | 第27-28页 |
| 3.4.2 数据归一化 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于深度学习的SSANNSMFA模型的定义和实现 | 第31-48页 |
| 4.1 SSANNSMFA的模型定义 | 第31-32页 |
| 4.2 SSANNSMFA模型规则定义 | 第32-35页 |
| 4.3 SSANNSMFA模型的数学模型 | 第35-37页 |
| 4.3.1 特征提取模块设计 | 第35-36页 |
| 4.3.2 特征分类模块设计 | 第36页 |
| 4.3.3 SSANNSMFA的微调过程设计 | 第36-37页 |
| 4.4 SSANNSMFA模型理论分析 | 第37-39页 |
| 4.5 SSANNSMFA模型的具体训练流程 | 第39-44页 |
| 4.5.1 实现过程 | 第40-44页 |
| 4.6 实验结果分析 | 第44-47页 |
| 4.6.1 SSANNSMFA模型超参数设定 | 第44页 |
| 4.6.2 数据样本结构 | 第44页 |
| 4.6.3 决策准确率 | 第44-46页 |
| 4.6.4 训练收敛速率 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第五章 火警智能分析系统模型的实践 | 第48-59页 |
| 5.1 消防信息集成联网管理平台系统功能模块介绍 | 第48页 |
| 5.2 原始综合消防事件信息的获取方式 | 第48-53页 |
| 5.2.1 报警主机协议信息协议获取 | 第49-50页 |
| 5.2.2 时空因子和方位因子信息获取方式 | 第50-52页 |
| 5.2.3 环境因子信息获取方式 | 第52-53页 |
| 5.3 火警智能分析系统在消防信息集成联网管理平台上的应用 | 第53-57页 |
| 5.3.1 火警智能分析系统在消防信息集成联网管理平台上的应用流程 | 第53-54页 |
| 5.3.2 火警智能分析系统在消防信息集成联网管理平台应用的案例分析 | 第54-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-66页 |
| 详细摘要 | 第66-68页 |
