| 中文摘要 | 第1-6页 |
| ABSTRACT | 第6-15页 |
| 第一章 绪论 | 第15-26页 |
| ·课题研究的背景及意义 | 第15页 |
| ·气液两相流流型识别的研究进展 | 第15-24页 |
| ·利用流型图和转变准则关系式识别流型 | 第16-17页 |
| ·利用测量的方法识别流型 | 第17-22页 |
| ·流型的神经网络识别方法 | 第22-23页 |
| ·流型识别存在的问题 | 第23-24页 |
| ·本文的主要研究内容 | 第24-26页 |
| 第二章 实验系统与实验测量结果 | 第26-36页 |
| ·实验系统简介 | 第26-27页 |
| ·实验步骤 | 第27页 |
| ·流动参数的测量 | 第27-31页 |
| ·实验参数范围 | 第27页 |
| ·实验参数的测量 | 第27页 |
| ·实验信号与传感器的选择 | 第27-28页 |
| ·两相流压差信号的获取 | 第28-29页 |
| ·振动对实验装置的影响 | 第29-30页 |
| ·实验装置中的噪声分析 | 第30-31页 |
| ·实验所观察到的流型 | 第31-32页 |
| ·流型的定义 | 第31页 |
| ·实验中观察到的流型 | 第31-32页 |
| ·实验测得的压差波动信号及分析 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于小波分析的压差波动信号去噪处理 | 第36-56页 |
| ·小波基本理论 | 第36-40页 |
| ·离散二进小波变换 | 第36-37页 |
| ·基于小波的多分辨分析 | 第37-38页 |
| ·小波分解和重构的Mallat 算法 | 第38-39页 |
| ·小波包分解 | 第39-40页 |
| ·压差波动信号中噪声的辨识 | 第40-44页 |
| ·自相关函数 | 第41页 |
| ·压差波动信号的分解 | 第41-43页 |
| ·线性相关性研究 | 第43-44页 |
| ·小波去噪理论 | 第44-54页 |
| ·基于小波分解的信号去噪 | 第44-46页 |
| ·小波去噪中阈值的选取 | 第46-47页 |
| ·仿真实验 | 第47-50页 |
| ·实测数据的处理 | 第50-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 基于小波分析的流型特征提取 | 第56-67页 |
| ·压差波动信号的WIGNER 谱分析 | 第56-59页 |
| ·Wigner 谱原理 | 第56-57页 |
| ·压差波动信号的Wigner 谱分析 | 第57-59页 |
| ·基于连续小波变换的压差波动信号特征 | 第59-61页 |
| ·奇异性特征提取 | 第61-63页 |
| ·Lipschitz 指数 | 第61-62页 |
| ·小波变换与Lipschitz 指数α | 第62页 |
| ·压差波动信号的奇异性分析结果 | 第62-63页 |
| ·流型特征提取的小波包方法 | 第63-66页 |
| ·小波包变换 | 第63-64页 |
| ·小波包能量和信息熵提取 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第五章 基于混沌理论的流型特征提取 | 第67-96页 |
| ·混沌与分形理论 | 第67-71页 |
| ·动力系统 | 第68页 |
| ·混沌吸引子 | 第68-71页 |
| ·混沌的研究方法 | 第71-75页 |
| ·分数维 | 第71-73页 |
| ·Kolmogorov 熵 | 第73-75页 |
| ·相空间重构 | 第75-77页 |
| ·混沌特征参数的计算方法 | 第77-82页 |
| ·G-P 算法及其改进 | 第77-79页 |
| ·嵌入维数和延迟时间的选择 | 第79-82页 |
| ·数据长度对关联维数计算的影响 | 第82页 |
| ·混沌研究的辅助方法 | 第82-85页 |
| ·压差波动信号的混沌特征分析 | 第85-93页 |
| ·功率谱分析 | 第85-86页 |
| ·吸引子对各流型的表征 | 第86-88页 |
| ·压差波动信号的关联维数和Kolmogorov 熵分析 | 第88-91页 |
| ·压差波动信号的Hurst 指数分析 | 第91-93页 |
| ·流型特征向量的构造 | 第93-95页 |
| ·本章小结 | 第95-96页 |
| 第六章 流型的神经网络识别模型 | 第96-121页 |
| ·神经网络基本理论 | 第96-101页 |
| ·神经元模型 | 第96-99页 |
| ·神经网络的联接形式 | 第99-100页 |
| ·人工神经网络的学习 | 第100-101页 |
| ·BP 神经网络模型 | 第101-110页 |
| ·BP 网络的结构 | 第101-102页 |
| ·BP 神经网络的算法 | 第102-104页 |
| ·BP 模型层数的选择 | 第104页 |
| ·隐层节点数的选择 | 第104-106页 |
| ·学习速率的选择 | 第106-107页 |
| ·激励函数的选取 | 第107页 |
| ·普通BP 算法与快速算法的比较 | 第107-110页 |
| ·径向基函数网络模型 | 第110-113页 |
| ·基本原理 | 第110-112页 |
| ·网络的训练 | 第112-113页 |
| ·KOHONEN 神经网络的识别模型 | 第113-116页 |
| ·基本原理 | 第113-114页 |
| ·网络的训练算法 | 第114页 |
| ·Kohonen 网络识别流型的实例 | 第114-116页 |
| ·支持向量机识别模型 | 第116-120页 |
| ·基本理论 | 第116-118页 |
| ·流型识别SVM 模型的建立 | 第118-119页 |
| ·SVM 识别结果分析 | 第119-120页 |
| ·几种识别模型的比较 | 第120页 |
| ·本章小结 | 第120-121页 |
| 第七章 神经网络和证据理论融合的识别方法 | 第121-133页 |
| ·信度函数 | 第121-124页 |
| ·概率的解释 | 第121-122页 |
| ·识别框架 | 第122页 |
| ·基本可信度分配与信度函数 | 第122-123页 |
| ·似真度函数 | 第123-124页 |
| ·DEMPSTER 合成法则 | 第124-126页 |
| ·两个信度函数的合成 | 第124-125页 |
| ·多个信度函数的合成 | 第125-126页 |
| ·证据的折扣 | 第126页 |
| ·基于证据理论的决策 | 第126-127页 |
| ·基于信度函数的决策 | 第126-127页 |
| ·基于基本可信度分配的决策 | 第127页 |
| ·基于最小风险的决策 | 第127页 |
| ·证据理论的优缺点 | 第127-128页 |
| ·证据理论和神经网络融合的识别方法 | 第128-130页 |
| ·实验结果分析 | 第130-132页 |
| ·本章小结 | 第132-133页 |
| 第八章 结论 | 第133-135页 |
| 参考文献 | 第135-145页 |
| 致谢 | 第145-146页 |
| 个人简历 | 第146-147页 |
| 攻读博士学位期间发表的学术论文 | 第147-149页 |
| 攻读博士学位期间参加的科研工作 | 第149页 |