| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 论文选题的背景和意义 | 第12-13页 |
| 1.2 管道非实时检测技术 | 第13-14页 |
| 1.3 管道实时检测技术 | 第14-19页 |
| 1.3.1 管道泄漏检测技术发展历程 | 第15-16页 |
| 1.3.2 管道泄漏检测技术分类 | 第16-19页 |
| 1.3.3 管道泄漏检测技术发展趋势 | 第19页 |
| 1.4 本文的主要工作及研究内容 | 第19-22页 |
| 第2章 基于多传感器信息融合的管道安全运行系统构建 | 第22-34页 |
| 2.1 引言 | 第22页 |
| 2.2 多传感器信息融合 | 第22-27页 |
| 2.2.1 多传感器信息融合的定义 | 第22-23页 |
| 2.2.2 多传感器信息融合的分类 | 第23-25页 |
| 2.2.3 多传感器信息融合方法 | 第25-27页 |
| 2.3 基于信息融合的管道安全运行系统框架 | 第27-33页 |
| 2.3.1 基于信息融合的管道安全运行非实时系统 | 第27-29页 |
| 2.3.2 基于信息融合的管道安全运行实时系统 | 第29-33页 |
| 2.4 本章总结 | 第33-34页 |
| 第3章 基于KPCA小波包分解的管道信号的特征提取 | 第34-50页 |
| 3.1 基于小波包分解的管道信号特征提取 | 第34-40页 |
| 3.1.1 基于小波包分解的能量特征提取方法 | 第34-36页 |
| 3.1.2 基于小波包分解的异常信号能量特征提取仿真 | 第36-37页 |
| 3.1.3 基于小波包分解的压力信号能量特征提取仿真 | 第37-40页 |
| 3.2 基于最小二乘多项式拟合的压力信号趋势特征提取 | 第40-42页 |
| 3.3 基于核主成分分析的管道信号的降维 | 第42-49页 |
| 3.3.1 核主成分分析 | 第43-44页 |
| 3.3.2 基于KPCA的异常信号能量特征降维 | 第44-47页 |
| 3.3.3 基于KPCA的压力信号能量特征降维 | 第47-49页 |
| 3.4 本章总结 | 第49-50页 |
| 第4章 基于支持向量机D-S证据融合的管道泄漏检测 | 第50-74页 |
| 4.1 支持向量机 | 第50-53页 |
| 4.1.1 线性可分SVM | 第50-51页 |
| 4.1.2 线性不可分SVM | 第51-53页 |
| 4.2 样本分布不均问题及其解决 | 第53-62页 |
| 4.2.1 样本分布不均问题 | 第53-54页 |
| 4.2.2 基于核K-均值聚类的样本处理 | 第54-58页 |
| 4.2.3 基于遗传算法的核K-均值聚类SVM的参数优化方法 | 第58-62页 |
| 4.3 基于支持向量机D-S证据融合的管道泄漏检测 | 第62-73页 |
| 4.3.1 D-S证据理论 | 第62-63页 |
| 4.3.2 基于偏二叉树SVM多分类算法的概率分配 | 第63-65页 |
| 4.3.3 管道泄漏检测系统组成 | 第65页 |
| 4.3.4 管道实时泄漏检测算法描述 | 第65-68页 |
| 4.3.5 偏二叉树SVM分类器参数优化 | 第68-71页 |
| 4.3.6 偏二叉树SVM分类器输出融合 | 第71-73页 |
| 4.4 本章总结 | 第73-74页 |
| 第5章 基于KPCA-SVR的泄漏流量估计 | 第74-84页 |
| 5.1 管道泄漏流量估计研究现状 | 第74-75页 |
| 5.2 基于KPCA-SVR的泄漏流量估计方法 | 第75-79页 |
| 5.2.1 SVR基本思想 | 第75-77页 |
| 5.2.2 基于网格搜索的SVR参数优化 | 第77-78页 |
| 5.2.3 基于KPCA-SVR的泄漏流量估计算法描述 | 第78-79页 |
| 5.3 基于KPCA-SVR的管道泄漏流量估计应用实例 | 第79-83页 |
| 5.3.1 基于KPCA-SVR的瞬态泄漏流量估计 | 第79-82页 |
| 5.3.2 基于KPCA-SVR的稳态泄漏流量估计 | 第82-83页 |
| 5.4 本章总结 | 第83-84页 |
| 第6章 总结与展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 攻读硕士期间科研情况 | 第92页 |
