| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 绪论 | 第9-15页 |
| 0.1 课题研究背景及意义 | 第9页 |
| 0.2 国内外研究现状及发展趋势 | 第9-14页 |
| 0.2.1 管道泄漏检测技术国内外发展现状 | 第9-12页 |
| 0.2.2 神经网络在的应用及发展现状 | 第12-13页 |
| 0.2.3 粗糙集理论的应用及发展现状 | 第13-14页 |
| 0.3 本文主要研究内容 | 第14-15页 |
| 第一章 基于神经网络的天然气管道泄漏检测 | 第15-29页 |
| 1.1 人工神经网络基本理论 | 第15-18页 |
| 1.1.1 神经元模型 | 第15-16页 |
| 1.1.2 激活函数 | 第16-17页 |
| 1.1.3 人工神经网络结构 | 第17-18页 |
| 1.2 RBF神经网络 | 第18-22页 |
| 1.2.1 RBF神经网络简介 | 第18-20页 |
| 1.2.2 RBF神经网络学习方法 | 第20页 |
| 1.2.3 混合学习方法确定网络参数 | 第20-22页 |
| 1.3 基于RBF神经网络的天然气管道泄漏检测 | 第22-28页 |
| 1.3.1 RBF神经网络模型的建立 | 第22-27页 |
| 1.3.2 基于RBF神经网络的管道泄漏检测仿真实验 | 第27-28页 |
| 1.4 本章小结 | 第28-29页 |
| 第二章 基于粗糙集与神经网络的天然气管道泄漏检测 | 第29-41页 |
| 2.1 粗糙集理论的基本概念 | 第29-32页 |
| 2.1.1 知识表达 | 第29-31页 |
| 2.1.2 知识约简 | 第31-32页 |
| 2.1.3 属性值约简 | 第32页 |
| 2.2 知识约简算法 | 第32-35页 |
| 2.2.1 基于属性重要性的约简算法 | 第32-33页 |
| 2.2.2 基于属性重要性的启发式约简算法 | 第33-35页 |
| 2.3 粗糙集与神经网络结合 | 第35-36页 |
| 2.3.1 粗糙集理论与神经网络结合的可行性分析 | 第35页 |
| 2.3.2 粗糙集与神经网络的结合方式 | 第35-36页 |
| 2.4 基于粗糙集与RBF神经网络的天然气管道泄漏检测 | 第36-40页 |
| 2.4.1 粗糙集与RBF神经网络结合的系统流程 | 第36页 |
| 2.4.2 基于粗糙集的数据预处理 | 第36-38页 |
| 2.4.3 基于粗糙集与RBF神经网络的管道泄漏检测仿真实验 | 第38-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 基于粗糙集与PSO优化神经网络的天然气管道泄漏检测 | 第41-49页 |
| 3.1 PSO算法与改进的PSO算法 | 第41-45页 |
| 3.1.1 标准PSO算法简介 | 第41-42页 |
| 3.1.2 PSO算法改进研究现状 | 第42-43页 |
| 3.1.3 改进的PSO优化算法 | 第43-45页 |
| 3.2 改进的PSO优化算法优化RBF神经网络 | 第45-47页 |
| 3.2.1 改进的PSO算法优化RBF神经网络权值的流程 | 第45-46页 |
| 3.2.2 基于粗糙集与PSO优化RBF神经网络的管道泄漏检测仿真实验 | 第46-47页 |
| 3.3 四种方法的仿真结果对比 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于次声波的天然气管道泄漏定位 | 第49-53页 |
| 4.1 基于次声波的天然气管道泄漏定位原理 | 第49-50页 |
| 4.2 天然气管道内次声波传播速度的确定 | 第50页 |
| 4.3 次声波传播到上下游传感器时间差的确定 | 第50-51页 |
| 4.4 仿真实验 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 发表文章目录 | 第58-59页 |
| 致谢 | 第59-60页 |
