| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 锚杆锚固质量无损检测的研究现状 | 第9-12页 |
| 1.2.2 深度学习的研究现状 | 第12-14页 |
| 1.3 论文的主要内容及章节安排 | 第14-16页 |
| 第二章 锚杆信号的采集与处理 | 第16-31页 |
| 2.1 一维杆体中应力波传播规律与原理 | 第16-19页 |
| 2.1.1 应力波传播理论 | 第16-17页 |
| 2.1.2 锚固质量检测的应力波法 | 第17-19页 |
| 2.1.3 应力波的衰减机制 | 第19页 |
| 2.2 锚杆锚固系统的模型实验 | 第19-26页 |
| 2.2.1 锚杆锚固模型 | 第19-21页 |
| 2.2.2 实验仪器介绍 | 第21-24页 |
| 2.2.3 实验系统搭建 | 第24-25页 |
| 2.2.4 实验数据采集结果 | 第25-26页 |
| 2.3 锚杆锚固数据的预处理 | 第26-30页 |
| 2.3.1 基于改进小波变换的降噪方法 | 第26-27页 |
| 2.3.2 锚杆加速度信号的预处理 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 DBN网络在锚杆锚固缺陷类型识别中的应用 | 第31-56页 |
| 3.1 深度学习理论及其常用模型 | 第31-32页 |
| 3.2 深度置信网络(DBN) | 第32-41页 |
| 3.2.1 限制玻尔兹曼机(RBM)的结构 | 第33-35页 |
| 3.2.2 RBM的训练方法 | 第35-39页 |
| 3.2.3 DBN模型 | 第39页 |
| 3.2.4 DBN的训练方法 | 第39-41页 |
| 3.3 基于DBN的锚杆锚固无损检测模型 | 第41-48页 |
| 3.3.1 DBN模型的样本选取 | 第41-42页 |
| 3.3.2 分类的评价指标 | 第42-43页 |
| 3.3.3 DBN分类模型的建立 | 第43-48页 |
| 3.4 实验结果与分析 | 第48-55页 |
| 3.4.1 隐含层层数的分析 | 第48-49页 |
| 3.4.2 隐含层节点数的分析 | 第49-53页 |
| 3.4.3 反向微调前后分类结果对比 | 第53页 |
| 3.4.4 与其他方法的结果对比 | 第53-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 基于改进DBN的锚杆锚固质量无损检测 | 第56-66页 |
| 4.1 基于改进DBN的锚杆缺陷类型识别模型 | 第56-62页 |
| 4.1.1 差分搜索算法简介 | 第56-58页 |
| 4.1.2 基于差分搜索算法的深度置信网络 | 第58-60页 |
| 4.1.3 输出层分类器的设置 | 第60-61页 |
| 4.1.4 模型训练过程 | 第61-62页 |
| 4.2 实验结果与分析 | 第62-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第五章 基于EDBN-SVM的锚杆缺陷类型识别方法 | 第66-74页 |
| 5.1 集成学习理论基础 | 第66-68页 |
| 5.1.1 集成算法概念 | 第66-67页 |
| 5.1.2 集成学习的经典算法 | 第67-68页 |
| 5.2 基于EDBN-SVM的锚杆锚固缺陷类型识别 | 第68-70页 |
| 5.3 实验结果与分析 | 第70-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 结论与展望 | 第74-76页 |
| 6.1 结论 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第82页 |