| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 空间事件概念 | 第9页 |
| 1.2 研究背景及意义 | 第9-10页 |
| 1.3 空间事件定位研究中的主要问题及研究现状 | 第10-13页 |
| 1.3.1 基于传感器监测网络的空间事件检测方法 | 第11-12页 |
| 1.3.2 基于传感器监测网络的空间事件定位方法 | 第12-13页 |
| 1.4 文章的项目来源、主要内容及章节安排 | 第13-15页 |
| 第2章 基础知识 | 第15-24页 |
| 2.1 事件扩散模型 | 第15页 |
| 2.2 主元分析（Principal Component Analysis, PCA） | 第15-18页 |
| 2.2.1 主元分析概述 | 第15-17页 |
| 2.2.2 主元分析在异常检测上的应用 | 第17-18页 |
| 2.3 序贯无迹卡尔曼滤波 | 第18-21页 |
| 2.3.1 序贯滤波基本原理 | 第18-19页 |
| 2.3.2 无迹卡尔曼滤波基本原理 | 第19-20页 |
| 2.3.3 序贯无迹卡尔曼滤波算法流程 | 第20-21页 |
| 2.4 超限学习机（Extreme Learning Machine, ELM） | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 空间事件检测方法研究 | 第24-30页 |
| 3.1 引言 | 第24-25页 |
| 3.2 多级主元分析算法 | 第25-26页 |
| 3.3 基于多级主元分析的空间事件检测方法 | 第26-28页 |
| 3.4 仿真研究 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 基于序贯无迹卡尔曼滤波的空间事件定位方法研究 | 第30-36页 |
| 4.1 引言 | 第30-31页 |
| 4.2 问题描述 | 第31-32页 |
| 4.3 目标源定位方法 | 第32-33页 |
| 4.3.1 线性最小二乘定位方法 | 第32-33页 |
| 4.3.2 基于序贯无迹卡尔曼滤波的空间事件定位方法 | 第33页 |
| 4.4 仿真研究 | 第33-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第5章 一种ELM与卡尔曼滤波相结合的空间事件定位方法研究 | 第36-49页 |
| 5.1 引言 | 第36-37页 |
| 5.2 基于超限学习机的非线性PLS建模方法 | 第37-40页 |
| 5.2.1 线性PLS回归模型 | 第37-38页 |
| 5.2.2 非线性PLS建模方法 | 第38-40页 |
| 5.3 一种基于超限学习机的过程监控方法 | 第40-42页 |
| 5.3.1 全潜结构投影模型（T-PLS） | 第40-41页 |
| 5.3.2 基于ELM的过程监控方法的提出 | 第41-42页 |
| 5.4 基于ELM的事件源浓度扩散模型的建立及事件定位 | 第42-44页 |
| 5.4.1 基于测距的最小二乘定位 | 第42-43页 |
| 5.4.2 一种ELM与卡尔曼滤波相结合的空间事件定位方法 | 第43-44页 |
| 5.5 仿真验证 | 第44-48页 |
| 5.5.1 仿真实验一 | 第44-45页 |
| 5.5.2 仿真实验二 | 第45-47页 |
| 5.5.3 仿真实验三 | 第47-48页 |
| 5.6 本章小结 | 第48-49页 |
| 第6章 总结与展望 | 第49-52页 |
| 6.1 工作总结 | 第49-50页 |
| 6.2 工作展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 附录 | 第58页 |
