| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 研究内容和意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 论文的组织结构 | 第14-17页 |
| 第2章 相关理论与技术 | 第17-29页 |
| 2.1 管道泄漏诊断方法 | 第17-19页 |
| 2.1.1 基于信号处理的诊断方法 | 第17-18页 |
| 2.1.2 基于模型的诊断方法 | 第18-19页 |
| 2.2 极限学习机算法 | 第19-24页 |
| 2.2.1 ELM结构 | 第20-21页 |
| 2.2.2 ELM基本原理 | 第21-22页 |
| 2.2.3 正则极限学习机 | 第22-24页 |
| 2.3 不平衡数据的处理方法 | 第24-28页 |
| 2.3.1 不平衡数据处理的问题 | 第24-26页 |
| 2.3.2 基于数据的处理 | 第26-27页 |
| 2.3.3 基于算法的处理 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于ELM的输油管道泄漏诊断模型 | 第29-43页 |
| 3.1 管道工况分析 | 第29-30页 |
| 3.2 基于小波包的管道泄漏特征提取 | 第30-37页 |
| 3.2.1 小波包算法 | 第31-34页 |
| 3.2.2 压力信号消噪 | 第34-35页 |
| 3.2.3 压力信号特征提取 | 第35-37页 |
| 3.3 基于ELM的输油管道泄漏诊断模型 | 第37-41页 |
| 3.3.1 基于ELM的泄漏诊断模型 | 第37-39页 |
| 3.3.2 基于ELM泄漏诊断模型的输入与输出 | 第39-40页 |
| 3.3.3 ELM核函数的选择 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 基于ELM的管道泄漏诊断方法 | 第43-59页 |
| 4.1 面向不平衡数据处理的加权ELM | 第43-47页 |
| 4.1.1 样本数据的不平衡性 | 第43-44页 |
| 4.1.2 不平衡数据对ELM的影响 | 第44-45页 |
| 4.1.3 加权极限学习机 | 第45-46页 |
| 4.1.4 极限学习机加权策略 | 第46-47页 |
| 4.2 权重动态更新策略 | 第47-53页 |
| 4.2.1 Adaboost算法 | 第47-49页 |
| 4.2.2 基于Adaboost的ELM权重更新算法 | 第49-53页 |
| 4.3 代价敏感集成ELM算法 | 第53-57页 |
| 4.3.1 代价敏感学习 | 第54-55页 |
| 4.3.2 引入代价因子的权重调整策略 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 实验结果与分析 | 第59-67页 |
| 5.1 实验环境 | 第59-60页 |
| 5.1.1 实验平台 | 第59页 |
| 5.1.2 数据集 | 第59-60页 |
| 5.2 实验性能评估标准 | 第60-61页 |
| 5.3 实验方案 | 第61页 |
| 5.4 实验分析 | 第61-65页 |
| 5.4.1 实验参数设定 | 第62页 |
| 5.4.2 训练时间分析 | 第62-63页 |
| 5.4.3 实验结果分析 | 第63-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第6章 结论与展望 | 第67-69页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 未来工作与展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 科研项目和论文发表情况 | 第77页 |