基于深度学习的输油管道泄漏检测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 本文的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 输油管道泄漏检测研究发展现状 | 第9-10页 |
| 1.2.2 深度学习研究发展现状 | 第10-12页 |
| 1.3 常见的输油管道泄漏检测方法 | 第12-14页 |
| 1.4 本文研究内容和章节安排 | 第14-16页 |
| 第二章 神经网络及小波分析 | 第16-25页 |
| 2.1 神经网络的发展 | 第16页 |
| 2.2 神经网络的基本理论 | 第16-21页 |
| 2.2.1 BP神经网络 | 第16-18页 |
| 2.2.2 RBF神经网络 | 第18-19页 |
| 2.2.3 支持向量机 | 第19-21页 |
| 2.3 小波分析理论 | 第21-24页 |
| 2.3.1 小波变换 | 第21-22页 |
| 2.3.2 多分辨率分析 | 第22页 |
| 2.3.3 小波去噪 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 深度学习 | 第25-34页 |
| 3.1 深度学习的思想和训练过程 | 第25-26页 |
| 3.1.1 深度学习的基本思想 | 第25页 |
| 3.1.2 训练过程 | 第25-26页 |
| 3.2 激活函数 | 第26-28页 |
| 3.3 深度学习模型 | 第28-33页 |
| 3.3.1 卷积神经网络 | 第28-29页 |
| 3.3.2 深度信任网络 | 第29-31页 |
| 3.3.3 堆栈自编码网络 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于BP神经网络的输油管道泄漏检测 | 第34-40页 |
| 4.1 管道泄漏模拟实验系统 | 第34-35页 |
| 4.2 数据处理 | 第35-37页 |
| 4.2.1 数据去噪 | 第35-36页 |
| 4.2.2 特征提取 | 第36页 |
| 4.2.3 数据归一化 | 第36-37页 |
| 4.3 构建BP神经网络 | 第37-38页 |
| 4.4 基于BP神经网络输油管道泄漏检测仿真 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 基于深度学习的输油管道泄漏检测 | 第40-49页 |
| 5.1 构建深度学习网络 | 第40-41页 |
| 5.1.1 网络参数设置 | 第40-41页 |
| 5.1.2 Softmax分类器 | 第41页 |
| 5.2 基于深度学习的输油管道泄漏检测仿真 | 第41-48页 |
| 5.3 两种网络模型进行比较 | 第48页 |
| 5.4 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 攻读学位期间科研成果 | 第56-57页 |
| 致谢 | 第57-58页 |
