| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 水泵性能预测研究现状及发展 | 第11-15页 |
| 1.3 主要研究内容及意义 | 第15-17页 |
| 第二章 水泵全特性曲线及其预测 | 第17-38页 |
| 2.1 水泵常规参数 | 第17-18页 |
| 2.2 水泵相似定律 | 第18-21页 |
| 2.2.1 水泵相似条件 | 第18-19页 |
| 2.2.2 水泵相似定律 | 第19-21页 |
| 2.3 水泵相似准数—比转数 | 第21-25页 |
| 2.3.1 比转数的定义 | 第21-23页 |
| 2.3.2 比转数的应用说明 | 第23-25页 |
| 2.4 水泵的全特性参数曲线 | 第25-29页 |
| 2.4.1 水泵的全特性曲线 | 第26-27页 |
| 2.4.2 水泵全工况分析 | 第27-29页 |
| 2.5 水泵全特性曲线的简化及其使用 | 第29-35页 |
| 2.5.1 水泵的全特性曲线的简化 | 第29-31页 |
| 2.5.2 WH、WM 数据在停泵水锤计算中的使用 | 第31-35页 |
| 2.6 水泵 WH、WM 数据的获取 | 第35-37页 |
| 2.6.1 水泵全特性参数与比转数的关系 | 第35-36页 |
| 2.6.2 水泵全特性参数的获取方法 | 第36-37页 |
| 2.7 本章小结 | 第37-38页 |
| 第三章 人工神经网络与粒子群算法 | 第38-50页 |
| 3.1 人工神经网络 | 第38-45页 |
| 3.1.1 人体神经元 | 第38-39页 |
| 3.1.2 人工神经元模型 | 第39-41页 |
| 3.1.3 神经网络的分类 | 第41-42页 |
| 3.1.4 神经网络的学习 | 第42-44页 |
| 3.1.5 常用的神经网络模型 | 第44-45页 |
| 3.2 粒子群算法 | 第45-49页 |
| 3.2.1 粒子群算法原理 | 第46-48页 |
| 3.2.2 粒子群算法的发展 | 第48-49页 |
| 3.2.3 粒子群算法的应用 | 第49页 |
| 3.3 本章小结 | 第49-50页 |
| 第四章 改进 PSO 优化神经网络算法 | 第50-58页 |
| 4.1 RBF 神经网络 | 第50-53页 |
| 4.1.1 RBF 神经网络结构 | 第50-51页 |
| 4.1.2 RBF 神经网络学习算法 | 第51-53页 |
| 4.2 自适应惯性权重粒子群算法 | 第53-54页 |
| 4.3 PSO 优化 RBF 神经网络算法 | 第54-57页 |
| 4.3.1 RBF 神经网络计算 | 第54-55页 |
| 4.3.2 PSO 优化 RBF 神经网络 | 第55-56页 |
| 4.3.3 算法步骤 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 水泵全特性曲线预测软件开发与工程应用 | 第58-91页 |
| 5.1 软件开发 | 第58-61页 |
| 5.1.1 软件平台介绍 | 第58-60页 |
| 5.1.2 软件说明 | 第60-61页 |
| 5.2 预测结果分析与评价 | 第61-70页 |
| 5.2.1 软件预测结果 | 第61-64页 |
| 5.2.2 预测结果评价 | 第64-66页 |
| 5.2.3 预测结果总结 | 第66-70页 |
| 5.3 工程应用 | 第70-90页 |
| 5.3.1 工程概况 | 第70-71页 |
| 5.3.2 水泵全特性参数预测 | 第71-75页 |
| 5.3.3 停泵水锤计算 | 第75-90页 |
| 5.4 本章小结 | 第90-91页 |
| 结论与建议 | 第91-93页 |
| 结论 | 第91-92页 |
| 建议 | 第92-93页 |
| 参考文献 | 第93-96页 |
| 附录 | 第96-109页 |
| 攻读硕士学位期间取得的研究成果 | 第109-110页 |
| 致谢 | 第110页 |