| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-21页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-16页 |
| 1.2.1 地震预警技术及震相自动识别方法 | 第9-13页 |
| 1.2.2 移动互联网感知计算及其应用 | 第13-15页 |
| 1.2.3 时间序列信号中的异常事件检测与分析研究方法 | 第15页 |
| 1.2.4 数据融合技术研究现状 | 第15-16页 |
| 1.3 主要研究工作和论文组织结构 | 第16-21页 |
| 1.3.1 研究思路 | 第16-19页 |
| 1.3.2 论文的主要工作 | 第19页 |
| 1.3.3 论文的主要组织结构 | 第19-21页 |
| 第二章 基于普通智能手机传感器采样的异常震动事件震相特征 | 第21-28页 |
| 2.1 基于智能手机运动传感器的数据采样集 | 第21-22页 |
| 2.2 基于智能手机采样的异常震动事件震相模型 | 第22-25页 |
| 2.2.1 多尺度贝叶斯模型 | 第23-24页 |
| 2.2.2 特征函数的选择和改进 | 第24-25页 |
| 2.3 模型验证和数据处理 | 第25-28页 |
| 第三章 普通智能手机上P波震相捡拾算法的实现和验证 | 第28-39页 |
| 3.1 基于智能手机采样的长短时平均(STA/LTA)P波捡拾方法 | 第28-33页 |
| 3.1.1 长短时平均方法原理 | 第28-29页 |
| 3.1.2 长短时平均方法的应用 | 第29-33页 |
| 3.2 基于智能手机采样的AIC准则方法 | 第33-37页 |
| 3.2.1 AIC准则方法原理 | 第33-34页 |
| 3.2.2 AIC准则方法的应用 | 第34页 |
| 3.2.3 STA/LTA+AIC准则方法的应用 | 第34-37页 |
| 3.3 基于智能手机采样数据验证的捡拾结果分析 | 第37-39页 |
| 第四章 基于多智能手机采样的异构数据决策融合机制 | 第39-51页 |
| 4.1 多传感器数据融合 | 第39-41页 |
| 4.1.1 多传感器数据融合优势 | 第39-40页 |
| 4.1.2 多传感器数据融合常用方法 | 第40-41页 |
| 4.2 基于多智能手机采样的决策融合机制及其理论依据 | 第41-43页 |
| 4.2.1 单一普通智能手机检测模型 | 第41-42页 |
| 4.2.2 多智能手机采样的决策融合模型及其理论分析 | 第42-43页 |
| 4.3 多智能手机采样的数据融合机制及其实现 | 第43-48页 |
| 4.3.1 多智能手机采样的数据融合 | 第43-46页 |
| 4.3.2 多位置采样数据融合 | 第46-48页 |
| 4.4 基于多智能手机采样的数据融合结果分析 | 第48-51页 |
| 4.4.1 多智能手机数据融合结果分析 | 第48-49页 |
| 4.4.2 多位置采样数据融合结果分析 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 本文工作总结 | 第51页 |
| 5.2 今后工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 个人简历 | 第56-57页 |
| 致谢 | 第57页 |
