| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-18页 |
| ·课题背景及意义 | 第10-11页 |
| ·本课题国内外发展现状 | 第11-17页 |
| ·超声检测存在的问题及主要解决方法 | 第11-12页 |
| ·超声检测缺陷回波信号处理方法 | 第12-13页 |
| ·谱分析技术 | 第12-13页 |
| ·小波及小波包分析技术 | 第13页 |
| ·超声检测缺陷信号的智能识别 | 第13-17页 |
| ·人工神经网络技术 | 第14-15页 |
| ·统计决策技术 | 第15页 |
| ·专家系统 | 第15-16页 |
| ·仿真技术 | 第16-17页 |
| ·论文主要研究内容 | 第17-18页 |
| 2 试验原理及缺陷样本的采集 | 第18-27页 |
| ·试验原理介绍 | 第18-19页 |
| ·试验设备介绍 | 第19-20页 |
| ·缺陷试样制作 | 第20页 |
| ·缺陷样本采集 | 第20-26页 |
| ·手动超声初检 | 第21-22页 |
| ·射线检测 | 第22-24页 |
| ·自动超声复检 | 第24-25页 |
| ·破坏性试验验证 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 基于小波包分析的特征参量提取 | 第27-37页 |
| ·铜钢熔敷焊超声检测信号特征分析 | 第27页 |
| ·超声检测信号数据预处理 | 第27-28页 |
| ·超声检测信号小波包分析 | 第28-36页 |
| ·小波包相关理论介绍 | 第29页 |
| ·小波基函数的选择 | 第29-30页 |
| ·分解层数的确定 | 第30-31页 |
| ·基于小波包分析的超声检测信号特征参量提取 | 第31-36页 |
| ·铜钢熔敷焊超声检测缺陷特征信息库的建立 | 第36页 |
| ·本章小结 | 第36-37页 |
| 4 铜钢熔敷焊超声检测缺陷的智能识别 | 第37-50页 |
| ·BP神经网络简要介绍 | 第38页 |
| ·网络参数的选择与优化设计 | 第38-42页 |
| ·样本数的选取与分配 | 第38-39页 |
| ·网络层数、输入及输出节点数的确定 | 第39页 |
| ·传递函数的确定 | 第39页 |
| ·隐含层神经元数目的确定 | 第39页 |
| ·网络的性能评价 | 第39-40页 |
| ·训练算法的选择 | 第40-42页 |
| ·选择原则 | 第40页 |
| ·L-M及SCG算法简介 | 第40-42页 |
| ·缺陷模式识别分析 | 第42-48页 |
| ·L-M算法与SCG算法下最佳神经元数目的确定 | 第42-43页 |
| ·L-M算法与SCG算法下缺陷识别分类性能比较分析 | 第43-45页 |
| ·神经网络性能改进 | 第45-48页 |
| ·试验验证分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 5 铜钢熔敷焊超声检测智能分析系统的设计 | 第50-63页 |
| ·铜钢熔敷焊超声检测智能分析系统设计思想 | 第50页 |
| ·铜钢熔敷焊超声检测智能分析系统模块功能介绍 | 第50-53页 |
| ·数据处理模块功能 | 第50-51页 |
| ·数据管理模块功能 | 第51页 |
| ·智能识别模块功能 | 第51-53页 |
| ·铜钢熔敷焊超声检测智能分析系统各模块的程序实现 | 第53-62页 |
| ·系统主界面 | 第54页 |
| ·数据处理模块程序实现 | 第54-57页 |
| ·波形数据的加载实现 | 第54-55页 |
| ·缺陷波形数据预处理 | 第55-56页 |
| ·小波包频带能量分析 | 第56-57页 |
| ·特征向量标准化与保存 | 第57页 |
| ·数据管理模块 | 第57-59页 |
| ·缺陷编号信息的显示 | 第57-59页 |
| ·缺陷波形图及特征信息的查看 | 第59页 |
| ·智能识别模块 | 第59-62页 |
| ·样本信息的导入 | 第60页 |
| ·单一BP神经网络的实现 | 第60-61页 |
| ·集成BP神经网络的实现 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 6 结论与展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |