| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第8-18页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-15页 |
| 1.2.1 基于传感器网络的泄漏源定位 | 第9-13页 |
| 1.2.2 基于移动机器人协同搜索的泄漏源定位 | 第13-15页 |
| 1.3 现有研究存在的问题与不足 | 第15-16页 |
| 1.4 研究内容 | 第16-18页 |
| 第2章 基于一种改进型遗传算法的源强反算方法研究 | 第18-49页 |
| 2.1 引言 | 第18-19页 |
| 2.2 改进型遗传算法的设计 | 第19-22页 |
| 2.2.1 遗传算法 | 第19页 |
| 2.2.2 改进型遗传算法 | 第19-22页 |
| 2.3 模拟实验分析 | 第22-33页 |
| 2.3.1 气体泄漏模拟场景 | 第22-23页 |
| 2.3.2 传统遗传算法性能分析 | 第23-27页 |
| 2.3.3 改进型遗传算法性能分析 | 第27-33页 |
| 2.4 误差敏感性分析 | 第33-40页 |
| 2.4.1 MGA误差适应性分析 | 第33-37页 |
| 2.4.2“正则化”数据预处理规则 | 第37-40页 |
| 2.5 多源场景下的数值模拟实验 | 第40-47页 |
| 2.5.1 主成分分析技术用于预估泄漏点数目 | 第40-44页 |
| 2.5.2 序列MGA算法用于多源参数预估问题 | 第44-47页 |
| 2.6 本章小结 | 第47-49页 |
| 第3章 基于MCMC抽样的源强反算方法研究 | 第49-69页 |
| 3.1 引言 | 第49页 |
| 3.2 MCMC方法描述 | 第49-54页 |
| 3.2.1 贝叶斯推理 (Bayesian inference) | 第49-51页 |
| 3.2.2 MCMC抽样算法 | 第51-54页 |
| 3.3 单源场景下的数值模拟实验 | 第54-66页 |
| 3.3.1 MCMC的不足 | 第54-56页 |
| 3.3.2 MCMC模型设置及输入数据预处理 | 第56-62页 |
| 3.3.3 MCMC三种不同抽样算法的结果分析 | 第62-63页 |
| 3.3.4“部分匹配，协同搜索”策略的引入 | 第63-66页 |
| 3.4 多源场景下的数值模拟实验 | 第66-67页 |
| 3.5 本章小结 | 第67-69页 |
| 第4章 基于粒子群算法的源强反算算法研究 | 第69-99页 |
| 4.1 引言 | 第69-70页 |
| 4.2 改进型粒子群算法 | 第70-80页 |
| 4.2.1 标准粒子群算法 | 第70-71页 |
| 4.2.2 适用于单源情形的改进型PSO算法 | 第71-75页 |
| 4.2.3 适用于多源情形的改进型PSO算法 | 第75-80页 |
| 4.3 单源场景下的数值模拟实验 | 第80-92页 |
| 4.3.1 验证各改进算法的有效性 | 第80-83页 |
| 4.3.2 改进型PSO算法的误差适应性分析 | 第83-85页 |
| 4.3.3 MGC-PSO算法性能分析 | 第85-90页 |
| 4.3.4 针对单泄漏源场景的源强反算搜索算法框架 | 第90-92页 |
| 4.4 多源场景下的数值模拟实验 | 第92-98页 |
| 4.4.1 MS-MGC-PSO算法应用于多源场景的性能分析 | 第92-97页 |
| 4.4.2 针对多源泄漏场景的源强反算搜索算法框架 | 第97-98页 |
| 4.5 本章小结 | 第98-99页 |
| 第5章 研究总结与展望 | 第99-101页 |
| 5.1 主要工作与结论 | 第99-100页 |
| 5.2 主要创新点 | 第100页 |
| 5.3 研究展望 | 第100-101页 |
| 参考文献 | 第101-108页 |
| 致谢 | 第108-110页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第110页 |
