| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究的目的与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 超声信号处理的发展现状 | 第9-10页 |
| 1.2.2 经验模态分解 | 第10-11页 |
| 1.2.3 粗糙集属性约简 | 第11页 |
| 1.2.4 神经网络与超声缺陷信号分类 | 第11-12页 |
| 1.3 研究的主要内容 | 第12-13页 |
| 1.3.1 超声信号的预处理和特征提取 | 第12-13页 |
| 1.3.2 运用粗糙集工具进行特征选择 | 第13页 |
| 1.3.3 神经网络和相关参数的选择 | 第13页 |
| 1.4 论文内容安排 | 第13-15页 |
| 第2章 基于EMD方法的超声缺陷信号的特征提取 | 第15-33页 |
| 2.1 经验模态分解 | 第15-20页 |
| 2.1.1 EMD方法的基本概念 | 第15-17页 |
| 2.1.2 EMD方法的分解过程 | 第17-20页 |
| 2.2 经验模态分解和小波分解 | 第20-23页 |
| 2.3 基于EMD方法的超声信号的分析 | 第23-32页 |
| 2.3.1 超声信号的EMD分解 | 第24-29页 |
| 2.3.2 故障特征参数选取 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于粗糙集属性约简的超声信号的特征选择 | 第33-45页 |
| 3.1 粗糙集的基本理论 | 第33-35页 |
| 3.1.1 知识与信息系统 | 第33页 |
| 3.1.2 不可区分关系 | 第33-34页 |
| 3.1.3 近似空间 | 第34-35页 |
| 3.1.4 知识的简化与核 | 第35页 |
| 3.2 属性约简及其算法 | 第35-37页 |
| 3.2.1 属性约简 | 第35页 |
| 3.2.2 启发式属性约简算法 | 第35-37页 |
| 3.3 IMF分量特征值的属性约简 | 第37-44页 |
| 3.3.1 特征值的离散化 | 第38-39页 |
| 3.3.2 启发式属性约简算法 | 第39-41页 |
| 3.3.3 超声信号的属性约简 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于BP神经网络的超声缺陷信号识别 | 第45-66页 |
| 4.1 BP神经网络对超声回波信号缺陷诊断的适应性 | 第45-46页 |
| 4.1.1 BP神经网络的特性 | 第45-46页 |
| 4.1.2 人工神经网络对超声回波信号缺陷的分类诊断能力 | 第46页 |
| 4.2 BP神经网络 | 第46-51页 |
| 4.2.1 BP神经网络的设计 | 第47页 |
| 4.2.2 BP神经网络学习过程 | 第47-51页 |
| 4.2.3 改进的BP算法 | 第51页 |
| 4.3 基于BP神经网络的超声缺陷信号分类实验 | 第51-66页 |
| 4.3.1 实验系统介绍 | 第51-52页 |
| 4.3.2 信号的采集 | 第52页 |
| 4.3.3 缺陷的分类诊断 | 第52-66页 |
| 第5章 总结与展望 | 第66-67页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 发表论文和参加科研情况说明 | 第70-71页 |
| 致谢 | 第71-72页 |