基于支持向量机和极限学习机的管道缺陷分类方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 论文选题的背景和意义 | 第11页 |
| 1.2 国内外管道缺陷分类技术研究现状与趋势 | 第11-15页 |
| 1.3 本文的主要工作及研究内容 | 第15-17页 |
| 第2章 管道缺陷分类关键问题分析及其工作流程 | 第17-23页 |
| 2.1 管道缺陷分类关键问题分析 | 第17-20页 |
| 2.2 管道缺陷分类工作流程 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 管道缺陷漏磁信号特征提取 | 第23-31页 |
| 3.1 引言 | 第23页 |
| 3.2 管道缺陷分类定义 | 第23-25页 |
| 3.3 管道缺陷漏磁信号特征定义 | 第25-26页 |
| 3.4 管道缺陷漏磁信号特征提取 | 第26-29页 |
| 3.5 缺陷特征数据整理 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第4章 支持向量机理论与缺陷分类 | 第31-49页 |
| 4.1 引言 | 第31页 |
| 4.2 支持向量机理论 | 第31-37页 |
| 4.2.1 线性分类与最大间隔分类器 | 第31-35页 |
| 4.2.3 Libsvm分类与命令 | 第35-37页 |
| 4.3 支持向量机缺陷分类 | 第37-48页 |
| 4.3.1 缺陷识别流程 | 第37-38页 |
| 4.3.2 MATLAB程序实现 | 第38-42页 |
| 4.3.3 支持向量机的参数选择 | 第42-43页 |
| 4.3.4 核函数对模型性能影响 | 第43-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于极限学习机的管道缺陷分类方法 | 第49-67页 |
| 5.1 引言 | 第49页 |
| 5.2 极限学习机理论 | 第49-54页 |
| 5.2.1 极限学习机研究现状 | 第49-50页 |
| 5.2.2 极限学习机基本思想 | 第50-54页 |
| 5.3 基于极限学习机的缺陷分类 | 第54-66页 |
| 5.3.1 极限学习机缺陷分类步骤 | 第54-55页 |
| 5.3.2 缺陷分类流程 | 第55页 |
| 5.3.3 ELM的MATLAB实现 | 第55-60页 |
| 5.3.4 隐含层神经元个数对ELM性能影响 | 第60-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 基于SVM和ELM的缺陷综合分类方法 | 第67-79页 |
| 6.1 引言 | 第67页 |
| 6.2 基于SVM和ELM的缺陷综合分类方法流程 | 第67-68页 |
| 6.3 管道缺陷粗略分离方法 | 第68-71页 |
| 6.3.1 粗略分离严重缺陷 | 第70-71页 |
| 6.3.2 粗略分离非严重缺陷 | 第71页 |
| 6.4 仿真测试结果 | 第71-78页 |
| 6.4.1 严重缺陷仿真测试 | 第72-76页 |
| 6.4.2 非严重缺陷仿真测试 | 第76-78页 |
| 6.5 本章小结 | 第78-79页 |
| 第7章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 攻读硕士期间科研情况 | 第89页 |
