| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外管道运输发展现状 | 第8-9页 |
| 1.3 管道运输存在的问题 | 第9页 |
| 1.4 管道泄漏检测方法的研究现状 | 第9-11页 |
| 1.4.1 声波法 | 第10页 |
| 1.4.2 质量平衡法 | 第10页 |
| 1.4.3 负压波法 | 第10-11页 |
| 1.5 论文主要工作及结构 | 第11-13页 |
| 2 输油管道多源信息采集与预处理方法研究 | 第13-33页 |
| 2.1 输油管道工艺背景及多源信息采集 | 第13-16页 |
| 2.2 多源信号泄漏检测的特征提取方法研究 | 第16-19页 |
| 2.3 基于小波变换的多源信号去噪方法研究 | 第19-23页 |
| 2.3.1 连续小波变换 | 第20-21页 |
| 2.3.2 离散小波变换 | 第21-22页 |
| 2.3.3 小波阈值去噪 | 第22-23页 |
| 2.4 管道泄漏信号的小波去噪实验 | 第23-29页 |
| 2.5 小波包去噪 | 第29-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 基于最小二乘支持向量机信息融合的管道泄漏检测方法研究 | 第33-40页 |
| 3.1 支持向量机(SVM)原理介绍 | 第33-34页 |
| 3.2 最小二乘支持向量机(LS-SVM)算法 | 第34-35页 |
| 3.3 基于LS-SVM信息融合的管道泄漏检测实验 | 第35-39页 |
| 3.3.1 LS-SVM信息融合管道泄漏检测方法的实现 | 第35-37页 |
| 3.3.2 管道泄漏实验结果分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于极限学习机信息融合的管道泄漏检测方法研究 | 第40-55页 |
| 4.1 人工神经网络 | 第40-48页 |
| 4.1.1 BP神经网络原理 | 第41-45页 |
| 4.1.2 RBF神经网络原理 | 第45-48页 |
| 4.2 极限学习机(ELM)算法 | 第48-51页 |
| 4.3 基于ELM信息融合的管道泄漏检测实验 | 第51-54页 |
| 4.3.1 ELM信息融合管道泄漏检测方法的实现 | 第51-52页 |
| 4.3.2 管道泄漏实验结果分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-63页 |
