| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 腐蚀检测技术 | 第8-9页 |
| 1.3 电化学噪声腐蚀检测技术研究现状 | 第9-12页 |
| 1.3.1 电化学噪声的发展历史 | 第10-11页 |
| 1.3.2 电化学噪声的国内外研究现状 | 第11-12页 |
| 1.4 本文的主要研究内容 | 第12-14页 |
| 第二章 电化学噪声采集系统设计 | 第14-22页 |
| 2.1 电化学噪声采集系统的技术要求 | 第14-15页 |
| 2.2 电化学噪声采集系统总体硬件设计 | 第15-17页 |
| 2.2.1 传感器 | 第15-16页 |
| 2.2.2 信号调理模块 | 第16-17页 |
| 2.2.3 cRIO 模块化仪器 | 第17页 |
| 2.3 电化学噪声系统的软件设计 | 第17-21页 |
| 2.3.1 基于 Labview 的 cRIO 控制软件 | 第18-19页 |
| 2.3.2 基于 Matlab-GUI 的电化学数据处理软件 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于神经网络的电化学噪声处理 | 第22-33页 |
| 3.1 反向传播神经网络网络（BP） | 第22-25页 |
| 3.1.1 BP 神经网络概述 | 第22-23页 |
| 3.1.2 BP 神经网络算法流程 | 第23-24页 |
| 3.1.3 BP 神经网络的优化 | 第24-25页 |
| 3.2 常温下电化学噪声实验 | 第25-27页 |
| 3.3 BP 神经网络数据处理结果 | 第27-32页 |
| 3.3.1 不同腐蚀类型的典型电化学噪声信号 | 第27-29页 |
| 3.3.2 神经网络的输入特征值计算 | 第29-30页 |
| 3.3.3 BP 神经网络的训练与处理结果 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于支持向量机的电化学噪声处理 | 第33-39页 |
| 4.1 支持向量机（SVM） | 第33-36页 |
| 4.1.1 支持向量机概述 | 第33-34页 |
| 4.1.2 支持向量机算法流程与优化 | 第34-36页 |
| 4.2 支持向量机的数据处理结果 | 第36-37页 |
| 4.3 SVM 与支持向量机的评价 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 基于熵率的电化学噪声处理 | 第39-47页 |
| 5.1 熵率（entropy rate） | 第39-43页 |
| 5.1.1 熵率概述 | 第39-40页 |
| 5.1.2 熵率算法流程 | 第40-43页 |
| 5.2 熵率的数据处理结果 | 第43-44页 |
| 5.3 熵率处理结果的评价 | 第44-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第六章 高温高压电化学噪声实验 | 第47-55页 |
| 6.1 高温高压水环境下电化学噪声实验 | 第47-51页 |
| 6.1.1 实验介绍 | 第47-49页 |
| 6.1.2 高温高压环境下实验结果 | 第49-51页 |
| 6.2 现场电化学噪声实验 | 第51-53页 |
| 6.2.1 实验介绍 | 第51-52页 |
| 6.2.2 现场实验结果 | 第52-53页 |
| 6.3 本章小结 | 第53-55页 |
| 第七章 总结与展望 | 第55-57页 |
| 7.1 本文工作的总结 | 第55-56页 |
| 7.2 不足之处与展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 发表论文和参加科研情况说明 | 第61-62页 |
| 致谢 | 第62页 |