| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的背景和意义 | 第11-12页 |
| 1.2 管道泄漏检测技术发展的现状 | 第12-17页 |
| 1.2.1 国内外管道泄漏检测技术的现状 | 第12-16页 |
| 1.2.2 管道泄漏检测中存在的问题 | 第16-17页 |
| 1.3 本文的主要工作 | 第17-19页 |
| 第2章 动态神经网络辨识技术建模方案的论证 | 第19-31页 |
| 2.1 管道运输系统特性分析 | 第19页 |
| 2.2 管道运输系统建模方案可行性 | 第19-20页 |
| 2.3 人工神经网络基本原理 | 第20-28页 |
| 2.3.1 人工神经元模型 | 第20-24页 |
| 2.3.2 人工神经网络模型 | 第24-26页 |
| 2.3.3 神经网络学习规则 | 第26-28页 |
| 2.4 Elman神经网络简介及GIF Elman神经网络的引出 | 第28-29页 |
| 2.5 GIF Elman动态神经网络辨识模型方案论证 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 GIF ELMAN神经网络辨识模型建模基础 | 第31-43页 |
| 3.1 管道运输系统工况分析模型 | 第31-32页 |
| 3.2 管道工况模式描述 | 第32-33页 |
| 3.2.1 管道工况的分类 | 第32-33页 |
| 3.2.2 管道工况辨识难点 | 第33页 |
| 3.3 管道运输系统工况分析模型数据集的构建 | 第33-34页 |
| 3.4 管道压力数据特征提取 | 第34-35页 |
| 3.5 压力特征的核主成分分析 | 第35-42页 |
| 3.5.1 核主成分分析的引出 | 第35-36页 |
| 3.5.2 核主成分分析的基本理论 | 第36-39页 |
| 3.5.3 核主成分的选取 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于GIF ELMAN神经网络的管道运输系统工况分析模型 | 第43-61页 |
| 4.1 Elman神经网络 | 第43-50页 |
| 4.1.1 Elman神经网络的基本结构 | 第43-46页 |
| 4.1.2 Elman神经网络的训练算法 | 第46-48页 |
| 4.1.3 Elman神经网络模型 | 第48-50页 |
| 4.2 GIF Elman神经网络 | 第50-56页 |
| 4.2.1 GIF Elman神经网络的结构 | 第50-54页 |
| 4.2.2 GIF Elman神经网络模型 | 第54-56页 |
| 4.3 基于GIF Elman神经网络的管道运输系统工况分析模型工况辨识方法 | 第56-60页 |
| 4.3.1 管道运输工况分析模型的建立 | 第56-58页 |
| 4.3.2 工况辨识方案 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 基于管道运输系统工况分析模型的工况辨识方法研究 | 第61-77页 |
| 5.1 确定管道现场数据核主成分 | 第61-63页 |
| 5.1.1 管道工况数据集 | 第61-62页 |
| 5.1.2 工况数据特征的核主成分分析 | 第62-63页 |
| 5.2 神经网络辨识模式 | 第63-65页 |
| 5.2.1 辨识模式的设定 | 第63-64页 |
| 5.2.2 辨识数据的分类 | 第64-65页 |
| 5.3 辨识方法的仿真分析 | 第65-76页 |
| 5.3.1 神经网络训练参数的设定 | 第65页 |
| 5.3.2 静态数据集的仿真结果与分析 | 第65-70页 |
| 5.3.3 动态数据集的仿真结果与分析 | 第70-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士期间科研情况 | 第85页 |
