基于止回阀声音信号的气液两相流流型智能辨识方法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 两相流流型辨识概述 | 第12-14页 |
| 1.2.1 两相流基本概念 | 第12-13页 |
| 1.2.2 流型图 | 第13-14页 |
| 1.3 流型辨识的国内外研究现状 | 第14-16页 |
| 1.4 课题的创新之处和技术路线 | 第16-19页 |
| 1.4.1 创新之处 | 第16-18页 |
| 1.4.2 技术路线 | 第18-19页 |
| 1.5 本文主要研究内容 | 第19-21页 |
| 第二章 气液两相流型辨识系统设计 | 第21-29页 |
| 2.1 止回阀设计 | 第21-24页 |
| 2.2 实验系统介绍 | 第24-25页 |
| 2.3 信号采集 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 声音信号特征提取 | 第29-39页 |
| 3.1 信号特征提取概述 | 第29-30页 |
| 3.2 声音信号预处理 | 第30-35页 |
| 3.2.1 声音信号采样 | 第31-32页 |
| 3.2.2 声音信号去噪 | 第32-35页 |
| 3.3 希尔伯特-黄变换与信号特征提取 | 第35-38页 |
| 3.3.1 声音信号的希尔伯特-黄变换 | 第35-37页 |
| 3.3.2 特征提取 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 分类器的选择与设计 | 第39-49页 |
| 4.1 人工神经网络概述 | 第39-46页 |
| 4.1.1 人工神经网络概念及应用现状 | 第39-40页 |
| 4.1.2 人工神经元模型 | 第40-43页 |
| 4.1.3 人工神经网络的拓扑结构 | 第43-44页 |
| 4.1.4 人工神经网络的训练与学习 | 第44-46页 |
| 4.2 误差反向传播神经网络模型 | 第46-48页 |
| 4.2.1 BP神经网络结构 | 第46页 |
| 4.2.2 BP神经网络算法 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 实验数据分析与流型的智能辨识 | 第49-61页 |
| 5.1 信号特征分析 | 第49-52页 |
| 5.2 流型图的绘制与验证 | 第52-58页 |
| 5.2.1 绘制流型图 | 第52-57页 |
| 5.2.2 验证流型图 | 第57-58页 |
| 5.3 流型的智能辨识 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 研究工作总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 攻读硕士学位期间发表论文及参与项目 | 第71-72页 |
| 学位论文评阅及答辩情况表 | 第72页 |
