| 摘要 | 第1-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第14-25页 |
| ·课题来源和研究意义 | 第14-15页 |
| ·课题的来源 | 第14页 |
| ·课题的研究意义 | 第14-15页 |
| ·无损检测技术概述 | 第15页 |
| ·超声无损检测技术概述 | 第15-19页 |
| ·超声无损检测技术的发展趋势 | 第16-17页 |
| ·超声无损检测技术存在的不足 | 第17-19页 |
| ·相关技术在超声无损检测中应用的研究现状 | 第19-23页 |
| ·时频分析方法在超声检测信号处理中应用的研究现状 | 第19-20页 |
| ·数据融合技术在超声检测领域的研究现状 | 第20-22页 |
| ·超声检测缺陷识别技术的国内外研究动态 | 第22-23页 |
| ·论文的主要内容及创新点 | 第23-25页 |
| 第二章 超声无损检测系统设计实现 | 第25-32页 |
| ·引言 | 第25页 |
| ·超声无损检测系统的硬件部分 | 第25-28页 |
| ·基于PC 机的多通道超声波探伤系统的硬件电路设计 | 第25-27页 |
| ·超声检测探头及耦合剂 | 第27页 |
| ·缺陷试块 | 第27-28页 |
| ·超声无损检测系统的软件部分 | 第28-31页 |
| ·基于PC 机的多通道超声波探伤系统的软件流程设计 | 第28-31页 |
| ·超声无损检测系统的软件环境 | 第31页 |
| ·超声无损检测系统的实现 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第三章 超声检测信号的特征提取和特征评估 | 第32-63页 |
| ·引言 | 第32页 |
| ·WPT 和EMD 的基本理论和方法研究 | 第32-43页 |
| ·小波分解及小波包分解的原理和算法 | 第33-37页 |
| ·EMD 的基本原理和算法 | 第37-40页 |
| ·WPT 和EMD 应用于超声检测信号分解的特点及其对比分析 | 第40-43页 |
| ·超声检测信号的特征分析 | 第43-46页 |
| ·超声检测信号的常用特征及其分类 | 第44-45页 |
| ·本实验中选用的特征 | 第45-46页 |
| ·基于WPT 和EMD 的超声检测信号特征提取 | 第46-56页 |
| ·超声检测信号的预处理 | 第46-48页 |
| ·基于WPT 的超声检测信号特征提取 | 第48-52页 |
| ·基于EMD 的超声检测信号特征提取 | 第52-55页 |
| ·基于原始超声检测信号的特征提取 | 第55-56页 |
| ·基于类内类间平均距离的特征评估方法在超声检测信号特征评估中的应用 | 第56-62页 |
| ·基于类内类间平均距离的特征评估方法的基本原理 | 第57-58页 |
| ·基于类内类间平均距离的特征评估方法的特征精简结果 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 第四章 基于径向基神经网络的超声检测缺陷初步识别 | 第63-81页 |
| ·引言 | 第63页 |
| ·人工神经网络概述 | 第63-68页 |
| ·人工神经网络的基本概念 | 第63-64页 |
| ·人工神经网络的分类及其拓扑结构 | 第64-65页 |
| ·径向基神经网络概述 | 第65-68页 |
| ·基于RBF 网络的超声检测缺陷的初步识别 | 第68-80页 |
| ·训练样本数量和扩展参数S 对RBF 网络识别准确率的影响 | 第68-70页 |
| ·RBF 网络的输入特征选取和规范化处理 | 第70-71页 |
| ·RBF 网络的训练过程 | 第71-74页 |
| ·RBF 网络的判定规则制定和训练结果 | 第74-77页 |
| ·基于RBF 网络的缺陷初步识别结果 | 第77-80页 |
| ·本章小结 | 第80-81页 |
| 第五章 基于D-S 证据理论的超声检测缺陷决策识别 | 第81-93页 |
| ·引言 | 第81页 |
| ·神经网络在超声检测缺陷分类应用中的特点 | 第81-82页 |
| ·神经网络的优势 | 第81页 |
| ·神经网络存在的不足 | 第81-82页 |
| ·神经网络相应不足的解决方法 | 第82页 |
| ·D-S 证据理论的引入 | 第82-85页 |
| ·D-S 证据理论的优势 | 第82-83页 |
| ·D-S 证据理论存在的不足 | 第83页 |
| ·D-S 证据理论与神经网络结合的意义 | 第83-84页 |
| ·基于神经网络和D-S 证据理论的融合模型建立 | 第84-85页 |
| ·D-S 证据理论的基本原理 | 第85-88页 |
| ·D-S 证据理论的基本概念 | 第85-86页 |
| ·D-S 证据理论的合成规则 | 第86-87页 |
| ·基于D-S 证据理论的融合模型和推理过程 | 第87页 |
| ·D-S 证据理论的决策方法 | 第87-88页 |
| ·基于D-S 证据理论的超声检测缺陷决策识别 | 第88-92页 |
| ·决策识别层的缺陷类型、识别框架和证据体的构建 | 第88-89页 |
| ·基于RBF 网络输出值处理的基本可信度分配 | 第89-90页 |
| ·基于D-S 合成法则的信度函数合成 | 第90-91页 |
| ·基于D-S 证据理论的超声检测缺陷决策识别结果及其分析 | 第91-92页 |
| ·本章小结 | 第92-93页 |
| 第六章 结论和展望 | 第93-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-101页 |
| 作者在学期间取得的学术成果 | 第101页 |
