基于数字图像处理的气液两相流流型智能识别方法
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-20页 |
| ·课题研究背景及意义 | 第11-13页 |
| ·气液两相流流型研究的发展和现状 | 第13-15页 |
| ·数字图像处理在流型识别中的应用 | 第15-17页 |
| ·数字图像处理在流型识别中拟解决关键问题 | 第17-18页 |
| ·本文的主要研究内容 | 第18-20页 |
| 第2章 气液两相流流型图像测量 | 第20-27页 |
| ·实验系统及实验步骤 | 第20-21页 |
| ·图像采集系统的选取 | 第21-23页 |
| ·高速摄影系统的选取 | 第21-22页 |
| ·照明系统的选取 | 第22-23页 |
| ·图像拍摄技术的选取 | 第23页 |
| ·气液两相流流型图像的获取 | 第23-24页 |
| ·流型图像的噪声分析及处理 | 第24-26页 |
| ·图像噪声的来源 | 第24-25页 |
| ·图像噪声的消除 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 气液两相流流型图像特征提取 | 第27-41页 |
| ·基于灰度直方图的流型图像特征提取 | 第27-30页 |
| ·流型图像的灰度直方图 | 第27页 |
| ·灰度直方图统计特征参数 | 第27-30页 |
| ·基于不变矩的流型图像特征提取 | 第30-32页 |
| ·仿射不变矩特征提取 | 第30-31页 |
| ·NMI 特征提取 | 第31-32页 |
| ·基于灰度共生矩阵的流型图像特征提取 | 第32-35页 |
| ·灰度共生矩阵的定义 | 第32-34页 |
| ·灰度共生矩阵的参数特征 | 第34-35页 |
| ·基于小波变换的流型图像特征提取 | 第35-37页 |
| ·基于小波包变换的流型图像特征提取 | 第37-40页 |
| ·图像信息熵特征提取 | 第37-38页 |
| ·特征向量的主成分分析 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 流型识别模型的分析与选取 | 第41-55页 |
| ·BP 神经网络模型 | 第41-44页 |
| ·BP 神经网络的结构 | 第41-42页 |
| ·BP 神经网络的算法及改进 | 第42-43页 |
| ·改进的BP 神经网络模型在流型识别中的应用 | 第43-44页 |
| ·ELMAN神经网络模型 | 第44-46页 |
| ·Elman 神经网络结构 | 第44页 |
| ·Elman 神经网络学习过程 | 第44-45页 |
| ·Elman 神经网络模型在流型识别中的应用 | 第45-46页 |
| ·概率神经网络模型 | 第46-48页 |
| ·概率神经网络概述 | 第46-47页 |
| ·概率神经网络结构 | 第47-48页 |
| ·概率神经网络模型在流型识别中的应用 | 第48页 |
| ·支持向量机模型 | 第48-53页 |
| ·支持向量机分类理论概述 | 第48-49页 |
| ·支持向量机分类算法 | 第49-52页 |
| ·支持向量机核函数的选取 | 第52页 |
| ·支持向量机模型在流型识别中的应用 | 第52-53页 |
| ·流型识别模型的比较 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 流型图像的复杂性测度分析 | 第55-63页 |
| ·流型机理研究概述 | 第55-56页 |
| ·流型图像复杂性测度 | 第56-59页 |
| ·Lempel-Ziv 复杂度 | 第56-57页 |
| ·分形盒维数 | 第57-59页 |
| ·Shannon 信息熵 | 第59页 |
| ·气液两相流流型复杂性分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读学位期间取得的研究成果及发表的学术论文 | 第71-72页 |
| 致谢 | 第72页 |
