| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外发展现状 | 第10-17页 |
| 1.2.1 锚杆锚固质量检测的发展现状 | 第10-14页 |
| 1.2.2 RBF神经网络的发展现状 | 第14-17页 |
| 1.3 课题研究的主要内容 | 第17-19页 |
| 第二章 小波分析理论 | 第19-25页 |
| 2.1 小波去噪的原理 | 第19页 |
| 2.2 常用的小波去噪算法 | 第19-23页 |
| 2.2.1 模极大值去噪算法 | 第20页 |
| 2.2.2 相关性去噪算法 | 第20-21页 |
| 2.2.3 小波阈值去噪算法 | 第21-23页 |
| 2.3 基于小波分析的特征提取方法 | 第23-24页 |
| 2.4 小结 | 第24-25页 |
| 第三章 改进阈值去噪算法 | 第25-32页 |
| 3.1 常见的小波阈值去噪法 | 第25-26页 |
| 3.1.1 硬阈值法和软阈值法 | 第25-26页 |
| 3.1.2 软硬阈值折中法 | 第26页 |
| 3.2 改进的阈值去噪法 | 第26-27页 |
| 3.3 改进的阈值去噪法在检测锚杆参数上的应用 | 第27-31页 |
| 3.3.1 分析方法 | 第27-28页 |
| 3.3.2 仿真结果 | 第28-31页 |
| 3.4 小结 | 第31-32页 |
| 第四章 锚杆锚固系统无损检测的RBF神经网络模型 | 第32-63页 |
| 4.1 RBF神经网络及常用的学习算法 | 第32-35页 |
| 4.1.1 RBF神经网络结构 | 第32-34页 |
| 4.1.2 RBF神经网络常用的学习算法 | 第34-35页 |
| 4.2 粒子群算法及其改进 | 第35-43页 |
| 4.2.1 PSO算法的概述 | 第35-36页 |
| 4.2.2 PSO算法的发展 | 第36-40页 |
| 4.2.3 改进的PSO算法 | 第40-43页 |
| 4.3 改进PSO-RBF神经网络 | 第43-50页 |
| 4.3.1 隐含层中心个数的求取 | 第44-45页 |
| 4.3.2 隐含层中心位置及宽度 | 第45-47页 |
| 4.3.3 权值的求解 | 第47-48页 |
| 4.3.4 改进的PSO优化RBF参数 | 第48-50页 |
| 4.4 改进PSO-RBF在识别锚杆缺陷类型中的应用 | 第50-62页 |
| 4.4.1 特征向量的提取 | 第50-57页 |
| 4.4.2 样本数据的选取 | 第57页 |
| 4.4.3 改进PSO-RBF神经网络训练 | 第57-61页 |
| 4.4.4 改进PSO-RBF神经网络测试 | 第61-62页 |
| 4.5 小结 | 第62-63页 |
| 第五章 锚杆锚固系统的动测实验 | 第63-76页 |
| 5.1 实验原理 | 第63-64页 |
| 5.2 实验概述 | 第64-69页 |
| 5.2.1 锚杆锚固试件模型 | 第64页 |
| 5.2.2 测试仪器 | 第64-67页 |
| 5.2.3 实验过程 | 第67-68页 |
| 5.2.4 实验结果 | 第68-69页 |
| 5.3 改进PSO-RBF神经网络的验证 | 第69-72页 |
| 5.3.1 加速度信号的预处理 | 第69-70页 |
| 5.3.2 识别结果 | 第70-72页 |
| 5.4 工程案例验证 | 第72-75页 |
| 5.5 小结 | 第75-76页 |
| 第六章 结论与展望 | 第76-78页 |
| 6.1 结论 | 第76-77页 |
| 6.2 展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83-84页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第84页 |