管内气液两相流流型的智能识别
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-17页 |
| ·气液两相流的研究背景及研究意义 | 第8-9页 |
| ·气液两相流测量中的主要参数 | 第9-11页 |
| ·气液两相流的国内外发展现状和趋势 | 第11-14页 |
| ·研究中存在的问题 | 第14-15页 |
| ·本研究的主要内容及意义 | 第15-17页 |
| 第2章 气液两相流的实验系统与实验测量结果 | 第17-22页 |
| ·实验原理和实验装置 | 第17-18页 |
| ·实验参数范围和实验步骤 | 第18页 |
| ·实验参数范围 | 第18页 |
| ·实验步骤 | 第18页 |
| ·信号采集和处理 | 第18页 |
| ·信号分析 | 第18-20页 |
| ·本章小结 | 第20-22页 |
| 第3章 流型信号的去噪处理和特征提取 | 第22-36页 |
| ·小波基本理论 | 第22-29页 |
| ·离散二进制小波变换 | 第23-24页 |
| ·基于小波的分解，重构和多分辨分析 | 第24-26页 |
| ·基于小波原理的信号去噪 | 第26-29页 |
| ·基于小波包方法的流型信号特征提取 | 第29-31页 |
| ·小波包分解算法 | 第29-30页 |
| ·采用小波包提取流型信号能量特征 | 第30-31页 |
| ·基于经验模态分解法的流型信号特征提取 | 第31-35页 |
| ·经验模态分解法 | 第31-34页 |
| ·基于经验模态分解法的能量特征提取 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于人工神经网络的流型识别模型 | 第36-50页 |
| ·人工神经网络模型 | 第36-38页 |
| ·BP神经网络模型 | 第38-41页 |
| ·BP神经网络模型结构 | 第38-39页 |
| ·BP神经网络模型学习算法 | 第39-41页 |
| ·RBF神经网络模型 | 第41-44页 |
| ·RBF神经网络模型结构 | 第41-42页 |
| ·RBF神经网络模型学习算法 | 第42-44页 |
| ·改进型RBF神经网络模型 | 第44-47页 |
| ·遗传算法 | 第44-45页 |
| ·基于GA的RBF神经网络参数优化 | 第45-47页 |
| ·神经网络的流型识别效果 | 第47-48页 |
| ·流型识别效果对比 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 研究总结与展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 在学期间发表的学术论文 | 第56页 |
