| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 LIBS技术概述 | 第14-18页 |
| 1.2.1 LIBS基本原理 | 第14-16页 |
| 1.2.2 LIBS国内外现状 | 第16-17页 |
| 1.2.3 LIBS发展方向 | 第17-18页 |
| 1.3 LIBS定量分析研究 | 第18-19页 |
| 1.4 课题主要内容 | 第19-20页 |
| 1.4.1 总体思路 | 第19页 |
| 1.4.2 主要研究内容 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 第2章 钢水成分LIBS实验与理论分析 | 第22-34页 |
| 2.1 激光与钢水相互作用机制 | 第22-23页 |
| 2.1.1 样品的加热熔融和气化 | 第22-23页 |
| 2.1.2 等离子体产生和屏蔽 | 第23页 |
| 2.2 等离子体的谱线强度及其影响因素 | 第23-27页 |
| 2.2.1 等离子体的谱线强度 | 第24-26页 |
| 2.2.2 等离子体谱线强度的影响因素 | 第26-27页 |
| 2.3 钢水成分LIBS实验设计 | 第27-29页 |
| 2.3.1 实验条件 | 第27页 |
| 2.3.2 实验方案 | 第27-28页 |
| 2.3.3 样品制备 | 第28-29页 |
| 2.4 实验仪器选择 | 第29-33页 |
| 2.4.1 激光光源 | 第29-31页 |
| 2.4.2 收光装置 | 第31页 |
| 2.4.3 分光系统 | 第31-33页 |
| 2.4.4 中频炉 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于LabVIEW的在线检测优化 | 第34-44页 |
| 3.1 LabVIEW简介 | 第34-35页 |
| 3.2 MATLAB概述 | 第35页 |
| 3.3 基于LabVIEW的测试靶点自动定位系统设计 | 第35-41页 |
| 3.3.1 串口通信的实现 | 第35-36页 |
| 3.3.2 基于LabVIEW的边缘提取 | 第36-39页 |
| 3.3.3 测试靶点的选取 | 第39-40页 |
| 3.3.4 测试靶点的自动定位 | 第40-41页 |
| 3.4 数据分析系统设计 | 第41-43页 |
| 3.4.1 数据分析系统 | 第41页 |
| 3.4.2 LabVIEW与MATLAB混合编程 | 第41-42页 |
| 3.4.3 基于LabVIEW与MATLAB数据分析设计 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于RBF神经网络的定量分析 | 第44-58页 |
| 4.1 人工神经网络概述 | 第44-46页 |
| 4.1.1 人工神经网络简介 | 第44-45页 |
| 4.1.2 人工神经网络的发展 | 第45页 |
| 4.1.3 人工神经网络分类 | 第45-46页 |
| 4.1.4 人工神经网络特点 | 第46页 |
| 4.2 径向基神经网络概述 | 第46-52页 |
| 4.2.1 径向基神经网络 | 第47页 |
| 4.2.2 RBF神经网络模型 | 第47-50页 |
| 4.2.3 RBF神经网络学习规则 | 第50-52页 |
| 4.3 钢水成分LIBS定量分析理论依据 | 第52-54页 |
| 4.3.1 定量分析模型建立 | 第52-53页 |
| 4.3.2 主要评价指标 | 第53-54页 |
| 4.4 钢水成分LIBS实验 | 第54-55页 |
| 4.5 钢水成分LIBS数据分析结果 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 导师简介 | 第64页 |
| 企业导师简介 | 第64-65页 |
| 作者简介 | 第65-66页 |
| 学位论文数据集 | 第66页 |