| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究的背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 声发射技术的特点及应用领域 | 第14-15页 |
| 1.3.1 声发射技术的特点 | 第14页 |
| 1.3.2 声发射技术的应用领域 | 第14-15页 |
| 1.4 本文主要研究的工作内容 | 第15-16页 |
| 第二章 声发射及压缩感知理论 | 第16-26页 |
| 2.1 声发射的基本理论 | 第16-21页 |
| 2.1.1 声发射的概念 | 第16页 |
| 2.1.2 声发射信号的处理方法 | 第16-19页 |
| 2.1.2.1 特征参数分析法 | 第17页 |
| 2.1.2.2 波形分析法 | 第17-19页 |
| 2.1.3 声发射检测系统 | 第19-21页 |
| 2.2 压缩感知的基本理论 | 第21-24页 |
| 2.2.1 压缩感知概念 | 第21-22页 |
| 2.2.2 信号的稀疏表示原理 | 第22页 |
| 2.2.3 压缩采样的模型 | 第22-23页 |
| 2.2.4 信号的重构模型 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 基于GMM均值超向量稀疏分解的声发射识别技术 | 第26-44页 |
| 3.1 高斯混合模型(GMM)超向量训练 | 第26-28页 |
| 3.1.1 单高斯模型 | 第26页 |
| 3.1.2 高斯混合模型 | 第26-28页 |
| 3.2 基于压缩感知的声发射识别算法 | 第28-33页 |
| 3.2.1 声发射识别算法流程 | 第28-29页 |
| 3.2.2 特征向量提取 | 第29-32页 |
| 3.2.3 高斯混合模型均值超向量 | 第32-33页 |
| 3.3 稀疏分解算法 | 第33-36页 |
| 3.3.1 MP算法 | 第33-34页 |
| 3.3.2 OMP算法 | 第34-35页 |
| 3.3.3 基于稀疏表示的分类算法 | 第35-36页 |
| 3.4 仿真结果与分析 | 第36-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于匹配追踪类算法的声发射识别技术 | 第44-54页 |
| 4.1 最小L1范数模型 | 第44页 |
| 4.2 分段正交匹配追踪算法 | 第44-45页 |
| 4.3 正则正交匹配追踪算法 | 第45-46页 |
| 4.4 基于回溯思想的匹配追踪算法 | 第46-47页 |
| 4.5 稀疏度自适应匹配追踪算法 | 第47页 |
| 4.6 仿真结果与分析 | 第47-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 基于贝叶斯压缩感知的声发射识别技术 | 第54-68页 |
| 5.1 贝叶斯理论 | 第54-55页 |
| 5.2 贝叶斯理论下的压缩感知 | 第55-56页 |
| 5.3 基于贝叶斯压缩感知的声发射识别 | 第56-62页 |
| 5.3.1 基于拉普拉斯先验的贝叶斯重构算法 | 第56-59页 |
| 5.3.2 基于相关向量机的贝叶斯重构算法 | 第59-62页 |
| 5.4 仿真结果与分析 | 第62-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第六章 总结与期望 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |