| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-18页 |
| ·课题研究目的与意义 | 第10页 |
| ·国内外研究现状 | 第10-16页 |
| ·超声波信号处理技术发展现状 | 第10-13页 |
| ·经验模态分解法 | 第13-14页 |
| ·神经网络与缺陷模式识别 | 第14-16页 |
| ·本文研究的主要内容 | 第16-18页 |
| 2 超声信号的时频特点及信号处理方法比较 | 第18-30页 |
| ·常规分析方法的特点与不足 | 第18-20页 |
| ·时域特点分析 | 第18-19页 |
| ·频域特点分析 | 第19-20页 |
| ·经验模态分解（EMD）方法的特点及可行性 | 第20-30页 |
| ·EMD 的基本原理 | 第20-23页 |
| ·几种信号分析方法的不足 | 第23-24页 |
| ·EMD 方法和小波分解方法的比较研究 | 第24-30页 |
| 3 基于 EMD 与欧氏距离的超声回波缺陷信号识别研究 | 第30-39页 |
| ·基于EMD 的超声缺陷信号的分析 | 第30-34页 |
| ·用EMD 方法分解标准缺陷信号 | 第30-32页 |
| ·对IMF 分量的分析 | 第32-34页 |
| ·缺陷特征参数的选取 | 第34-37页 |
| ·基于EMD 与欧氏距离的超声回波缺陷信号识别试验研究 | 第37-39页 |
| ·缺陷分类诊断 | 第37-38页 |
| ·诊断结果分析 | 第38-39页 |
| 4 基于人工神经网络的超声缺陷信号识别模型 | 第39-58页 |
| ·人工神经网络在超声回波缺陷诊断中的适应性分析 | 第39-42页 |
| ·人工神经网络的基本特性 | 第39-40页 |
| ·人工神经网络的能力 | 第40-41页 |
| ·人工神经网络对超声回波信号缺陷的分类诊断能力 | 第41-42页 |
| ·BP 神经网络的基本理论 | 第42-49页 |
| ·神经元的基本模型 | 第42-43页 |
| ·激活转移函数介绍及其选取 | 第43-44页 |
| ·误差反转算法（BP）介绍及选用 | 第44-48页 |
| ·BP 算法改进的探讨 | 第48-49页 |
| ·BP 算法的选用 | 第49页 |
| ·超声回波信号缺陷特征提取分析 | 第49-51页 |
| ·神经网络的输入样本分析与输出样本表示 | 第51-53页 |
| ·输入样本的提取和表示 | 第51-52页 |
| ·输入样本数据的预处理 | 第52-53页 |
| ·输出样本的表示 | 第53页 |
| ·网络的训练与测试 | 第53页 |
| ·神经网络结构的确定 | 第53-58页 |
| ·神经网络层数的确定 | 第54页 |
| ·各层节点数的确定 | 第54-56页 |
| ·初始权值的选取 | 第56页 |
| ·期望误差和学习速率的选取 | 第56-58页 |
| 5 基于 EMD 与 BP 神经网络的超声缺陷信号识别试验研究 | 第58-70页 |
| ·试验系统介绍 | 第58-59页 |
| ·采集超声缺陷回波信号的试验装置 | 第58页 |
| ·工件缺陷模拟 | 第58-59页 |
| ·数据及波形的采集与传输 | 第59页 |
| ·缺陷分类诊断 | 第59-70页 |
| ·BP 神经网络训练样本选取及其规范化 | 第59-62页 |
| ·训练网络 | 第62-65页 |
| ·BP 神经网络缺陷诊断 | 第65-70页 |
| 6 结论与展望 | 第70-72页 |
| ·本课题的研究结论 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间发表的论文 | 第78-79页 |
| 致谢 | 第79页 |
