摘要 | 第4-9页 |
ABSTRACT | 第9-15页 |
第一章 绪论 | 第18-38页 |
1.1 研究背景与目的意义 | 第18-20页 |
1.2 研究现状 | 第20-29页 |
1.2.1 研究现状 | 第20-25页 |
1.2.2 信号处理综述 | 第25-29页 |
1.3 研究内容与组织结构 | 第29-38页 |
1.3.1 研究内容 | 第29-33页 |
1.3.2 关键问题 | 第33-34页 |
1.3.3 创新点 | 第34-35页 |
1.3.4 组织结构 | 第35-38页 |
第二章 Φ-OTDR分布式信号振动模态与振场反演的建模研究 | 第38-54页 |
2.1 引言 | 第38-40页 |
2.2 振动模态的多维要素分析 | 第40-47页 |
2.2.1 时间轴上的振动模态分析 | 第40-43页 |
2.2.2 长度轴上的振动模态分析 | 第43-46页 |
2.2.3 小时空内信号的振动模态分析 | 第46-47页 |
2.3 振场反演及影响因素分析 | 第47-52页 |
2.3.1 振场反演的方法 | 第47-50页 |
2.3.2 振场反演中的影响因素分析 | 第50-52页 |
2.4 本章小结 | 第52-54页 |
第三章 分布式振动模态的多维要素求解研究 | 第54-80页 |
3.1 引言 | 第54-56页 |
3.2 基于2D-TESP方法的Φ-OTDR特征提取 | 第56-61页 |
3.2.1 TESP算法 | 第56-57页 |
3.2.2 基于2D-TESP算法的特征提取 | 第57-61页 |
3.2.3 算法分析 | 第61页 |
3.3 基于GAEMDNMF的信号分离 | 第61-65页 |
3.3.1 经验模态分解EMD | 第62页 |
3.3.2 非负矩阵分解NMF | 第62-63页 |
3.3.3 GAEMD-NMF算法 | 第63-65页 |
3.4 基于Kalman-PID的信号寻优 | 第65-66页 |
3.5 实验验证 | 第66-75页 |
3.5.1 实验环境 | 第66-68页 |
3.5.2 数据展示 | 第68-69页 |
3.5.3 信号提取实验 | 第69-70页 |
3.5.4 信号分离实验 | 第70-73页 |
3.5.5 Kalman-PID对信号表达的寻优处理 | 第73-75页 |
3.6 振场反演效果展示 | 第75-78页 |
3.7 本章小结 | 第78-80页 |
第四章 振场反演中关键要素的热力解耦研究 | 第80-110页 |
4.1 引言 | 第80-81页 |
4.2 热力耦合和布里渊光时域反射计(BOTDR) | 第81-83页 |
4.3 热力耦合实验 | 第83-89页 |
4.4 热力耦合反馈和三维数据匹配 | 第89-95页 |
4.4.1 反馈模型 | 第89-90页 |
4.4.2 热力耦合 | 第90-91页 |
4.4.3 信号匹配研究 | 第91-94页 |
4.4.4 FCM匹配点筛选 | 第94-95页 |
4.5 实验验证 | 第95-105页 |
4.5.1 不同温度和应变下长轴的感测距离 | 第95-98页 |
4.5.2 不同温度和应变下振源点的位置 | 第98-100页 |
4.5.3 热力耦合的优点 | 第100-103页 |
4.5.4 3D-SURF方法的结果 | 第103-105页 |
4.6 振场反演效果展示 | 第105-108页 |
4.7 本章小结 | 第108-110页 |
第五章 Φ-OTDR膨胀数据的压缩感知研究 | 第110-126页 |
5.1 引言 | 第110-112页 |
5.2 Φ-OTDR信号的图像式压缩存储 | 第112-113页 |
5.3 压缩感知后振源点特征验证 | 第113-118页 |
5.3.1 目标轮廓特征提取 | 第114-115页 |
5.3.2 基于深度学习的特征提取 | 第115-116页 |
5.3.3 基于SURF的特征提取 | 第116-117页 |
5.3.4 粒子滤波跟踪算法 | 第117-118页 |
5.4 实验验证 | 第118-125页 |
5.4.1 图像式信号存储 | 第118-120页 |
5.4.2 图像式特征提取 | 第120-125页 |
5.5 本章小结 | 第125-126页 |
第六章 结论与展望 | 第126-130页 |
6.1 结论 | 第126-127页 |
6.2 展望 | 第127-130页 |
参考文献 | 第130-148页 |
致谢 | 第148-150页 |
攻读博士学位期间发表的学术论文 | 第150-152页 |
攻读博士学位期间的科研工作和奖励 | 第152页 |