基于改进神经网络的声发射信号识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 声发射概念 | 第13-15页 |
| 1.1.1 声发射研究背景 | 第13-14页 |
| 1.1.2 声发射技术的特点 | 第14-15页 |
| 1.2 基于神经网络的声发射 | 第15-16页 |
| 1.3 研究内容与文章结构 | 第16-17页 |
| 第二章 声发射技术 | 第17-37页 |
| 2.1 声发射基本理论 | 第17-18页 |
| 2.2 声发射检测技术 | 第18-19页 |
| 2.3 声发射信号处理方法 | 第19-21页 |
| 2.3.1 特征参数分析法 | 第19页 |
| 2.3.2 波形分析法 | 第19-21页 |
| 2.4 声发射信号特征提取 | 第21-32页 |
| 2.4.1 倒谱系数提取 | 第22-23页 |
| 2.4.2 Hurst指数提取 | 第23-26页 |
| 2.4.3 近似熵提取 | 第26-32页 |
| 2.5 声发射检测系统与实验分析 | 第32-36页 |
| 2.5.1 实验系统结构 | 第32-34页 |
| 2.5.2 碰摩模式实验 | 第34-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 神经网络理论与混合神经网络声发射识别 | 第37-55页 |
| 3.1 神经网络基本理论 | 第37-39页 |
| 3.1.1 神经网络概念 | 第37-38页 |
| 3.1.2 神经网络的优点 | 第38-39页 |
| 3.2 神经网络在模式识别中的应用 | 第39-41页 |
| 3.2.1 基于神经网络的模式识别 | 第39-40页 |
| 3.2.2 模式识别中的神经网络方法 | 第40-41页 |
| 3.3 BP神经网络模型 | 第41-46页 |
| 3.3.1 基于MLP的BP网络 | 第41-42页 |
| 3.3.2 BP网络算法 | 第42-44页 |
| 3.3.3 更新网络参数的计算 | 第44-46页 |
| 3.4 BP网络的设计与改进 | 第46-49页 |
| 3.4.1 BP网络存在的缺陷 | 第46页 |
| 3.4.2 改进BP网络的方法 | 第46-49页 |
| 3.5 混合神经网络声发射识别 | 第49-54页 |
| 3.5.1 改进BP网络的方法 | 第49-51页 |
| 3.5.2 GMM声发射识别 | 第51-52页 |
| 3.5.3 GMM/ANN混合神经网络 | 第52-53页 |
| 3.5.4 实验分析 | 第53-54页 |
| 3.6 本章小结 | 第54-55页 |
| 第四章 基于混沌神经网络的声发射识别研究 | 第55-67页 |
| 4.1 混沌神经动力学理论 | 第55-56页 |
| 4.2 CNN类型 | 第56-58页 |
| 4.2.1 Aihara混沌网络 | 第56-57页 |
| 4.2.2 非线性自反馈混沌网络 | 第57-58页 |
| 4.3 Logistic映射 | 第58-61页 |
| 4.4 前馈混沌网络算法 | 第61-63页 |
| 4.5 实验分析 | 第63-65页 |
| 4.5.1 实验参数设置 | 第63-64页 |
| 4.5.2 实验结果分析 | 第64-65页 |
| 4.6 本章小结 | 第65-67页 |
| 第五章 基于深信度神经网络的声发射识别研究 | 第67-83页 |
| 5.1 DNN研究背景 | 第67-70页 |
| 5.1.1 浅层结构的局限性 | 第67-68页 |
| 5.1.2 深度学习的动机 | 第68-69页 |
| 5.1.3 深层模型的特征与优势 | 第69-70页 |
| 5.2 DNN类型 | 第70-71页 |
| 5.3 DNN常用方法 | 第71-74页 |
| 5.3.1 深信度神经网络 | 第71-72页 |
| 5.3.2 深度自动编码器 | 第72-73页 |
| 5.3.3 卷积神经网络 | 第73-74页 |
| 5.4 构建DBN模型 | 第74-79页 |
| 5.4.1 RBM模型 | 第74-77页 |
| 5.4.2 层叠RBM构建DBN | 第77-79页 |
| 5.5 实验分析 | 第79-82页 |
| 5.5.1 实验参数设置 | 第79-80页 |
| 5.5.2 实验结果分析 | 第80-82页 |
| 5.6 本章小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91页 |
