基于数据融合的隧道火灾监控方法研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 城市隧道火灾监控系统的国内外研究现状 | 第9-10页 |
| 1.2.2 数据融合在国内外的研究现状 | 第10页 |
| 1.2.3 城市隧道火灾监控存在的问题 | 第10-11页 |
| 1.3 论文研究的主要内容 | 第11页 |
| 1.4 论文的结构安排 | 第11-13页 |
| 第2章 多传感器火灾监控概述 | 第13-22页 |
| 2.1 数据融合概述 | 第13-16页 |
| 2.1.1 数据融合定义 | 第13页 |
| 2.1.2 数据融合意义 | 第13-14页 |
| 2.1.3 数据融合层次结构 | 第14-16页 |
| 2.2 数据融合主要算法 | 第16-17页 |
| 2.2.1 Bayes方法 | 第16-17页 |
| 2.2.2 D-S推理法 | 第17页 |
| 2.2.3 神经网络算法 | 第17页 |
| 2.3 多传感器火灾监控的基本概念 | 第17-21页 |
| 2.3.1 传感器分类 | 第18-19页 |
| 2.3.2 火灾监控中的传感器 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 隧道监控信息多传感器数据融合方法 | 第22-41页 |
| 3.1 隧道监控系统中的多传感器数据融合问题 | 第22页 |
| 3.2 隧道火灾多传感器数据融合方案 | 第22-24页 |
| 3.3 D-S证据理论数据融合方法探析 | 第24-33页 |
| 3.3.1 D-S证据理论 | 第24-26页 |
| 3.3.2 基于D-S证据理论的隧道火灾数据融合 | 第26-29页 |
| 3.3.3 基于D-S证据理论应用的研究 | 第29-33页 |
| 3.4 人工神经网络方法的研究与仿真 | 第33-40页 |
| 3.4.1 人工神经网络理论研究 | 第33-35页 |
| 3.4.2 BP神经网络理论 | 第35页 |
| 3.4.3 基于BP神经网络的应用与研究 | 第35-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 火灾报警系统设计与实现 | 第41-52页 |
| 4.1 系统总体架构 | 第41-43页 |
| 4.2 火灾系统硬件设备 | 第43-46页 |
| 4.2.1 光纤光栅传感器 | 第43-44页 |
| 4.2.2 电缆表面温度传感器 | 第44页 |
| 4.2.3 CO/VI传感器 | 第44-45页 |
| 4.2.4 视频系统 | 第45-46页 |
| 4.2.5 烟雾传感器 | 第46页 |
| 4.2.6 其它设备 | 第46页 |
| 4.3 基于D-S证据理论的火灾监控 | 第46-47页 |
| 4.4 系统报警与联动功能实现 | 第47-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
