| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 主要符号表 | 第11-12页 |
| 第1章 绪论 | 第12-16页 |
| ·课题背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·内窥检测和模式识别国内外研究现状 | 第13-14页 |
| ·图像分割和图像识别国内外研究现状 | 第14-15页 |
| ·本文研究主要内容 | 第15-16页 |
| 第2章 航空发动机叶片损伤图像的分割 | 第16-28页 |
| ·图像分割的一般方法 | 第16-17页 |
| ·航空发动机叶片损伤图像特点分析 | 第16页 |
| ·图像分割的一般模型 | 第16-17页 |
| ·传统分割法建模及实例验证 | 第17-21页 |
| ·传统分割法原理 | 第18-19页 |
| ·传统分割模型建立及实例仿真 | 第19-21页 |
| ·PNN 神经网络图像分割模型及实例验证 | 第21-26页 |
| ·PNN 神经网络图像分割的优点 | 第21页 |
| ·PNN 神经网络原理 | 第21-22页 |
| ·PNN 神经网络分割模型的建立 | 第22-24页 |
| ·PNN 神经网络图像分割实例仿真 | 第24-26页 |
| ·分割结果对比分析 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 航空发动机叶片损伤图像的特征参数提取 | 第28-42页 |
| ·叶片损伤缺陷分析和识别类型的选择 | 第28-29页 |
| ·数学形态学分割图像处理 | 第29-35页 |
| ·数学形态学基本概念 | 第29-30页 |
| ·二值形态学四个基本运算 | 第30-35页 |
| ·边界跟踪法提取叶片损伤图像的形状特征参数 | 第35-37页 |
| ·边界跟踪法基本原理 | 第35-36页 |
| ·形状特征参数计算 | 第36-37页 |
| ·灰度共生矩阵法提取叶片损伤图像的纹理特征参数 | 第37-41页 |
| ·灰度共生矩阵法基本原理 | 第37-39页 |
| ·纹理特征参数的提取 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于改进 GA 算法优化 RBF 网络的叶片损伤图像识别 | 第42-59页 |
| ·RBF 神经网络 | 第42-46页 |
| ·RBF 神经网络结构 | 第42-44页 |
| ·RBF 神经网络学习算法 | 第44-45页 |
| ·RBF 神经网络创建与学习过程 | 第45-46页 |
| ·GA 优化算法 | 第46-52页 |
| ·GA 优化算法基本理论 | 第46-50页 |
| ·GA 优化算法基本步骤 | 第50-51页 |
| ·GA 优化算法的改进 | 第51-52页 |
| ·改进 GA 算法优化 RBF 网络的识别模型的建立 | 第52-54页 |
| ·染色体编及适应度函数的构造 | 第53页 |
| ·初始种群的确定和选择操作 | 第53页 |
| ·自适应调整的交叉和变异操作 | 第53-54页 |
| ·改进 GA 优化 RBF 网络识别模型的具体实现步骤 | 第54页 |
| ·改进 GA 算法优化 RBF 网络的识别模型实例仿真 | 第54-58页 |
| ·仿真实例 | 第54-57页 |
| ·结果对比分析 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 基于 D-S 证据理论和 RBF 相融合的叶片损伤图像识别 | 第59-68页 |
| ·D-S 证据理论 | 第59-61页 |
| ·基本可信度分配与信度函数 | 第59-61页 |
| ·D-S 证据理论的合成法则 | 第61页 |
| ·基于 D-S 证据理论和 RBF 网络信息融合的叶片损伤图像识别方法 | 第61-63页 |
| ·基于 D-S 证据理论的信息融合过程 | 第61-62页 |
| ·基于 D-S 证据理论和 RBF 网络信息融合的叶片损伤图像识别方法 | 第62-63页 |
| ·基于 D-S 证据理论和 RBF 网络相融合的叶片损伤图像识别实例仿真 | 第63-67页 |
| ·仿真实例 | 第63-65页 |
| ·结果对比分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第74页 |
