首页--工业技术论文--石油、天然气工业论文--石油机械设备与自动化论文--油气储运机械设备论文--油气管道论文

基于EEMD和支持向量机的天然气管道泄漏诊断

摘要第4-5页
ABSTRACT第5页
创新点摘要第6-9页
绪论第9-13页
    0.1 课题研究背景及意义第9页
    0.2 管道泄漏检测国内外发展现状第9-11页
        0.2.1 国外管道泄漏检测发展现状第10页
        0.2.2 国内管道泄漏检测发展现状第10-11页
    0.3 论文主要工作第11-13页
第一章 天然气管道泄漏诊断的方案总体设计第13-19页
    1.1 总体方案设计第13-14页
    1.2 泄漏信号的采集第14页
    1.3 泄漏信号的预处理第14-17页
    1.4 泄漏信号的特征提取第17页
    1.5 泄漏信号的模式诊断第17-18页
    1.6 参数优化第18页
    1.7 本章小结第18-19页
第二章 基于经验模态分解的泄漏信号特征提取第19-33页
    2.1 经验模态分解第19-23页
        2.1.1 传统经验模态分解EMD方法第19-20页
        2.1.2 传统经验模态分解EMD方法的缺点第20-21页
        2.1.3 总体经验模态分解EEMD方法第21-22页
        2.1.4 经验模态分解方法实验数据处理第22-23页
    2.2 基于内禀模态函数能量熵特征提取第23-28页
        2.2.1 内禀模态函数能量熵第23页
        2.2.2 内禀模态函数能量熵特征提取第23-24页
        2.2.3 泄漏数据EMD能量熵特征提取第24-26页
        2.2.4 泄漏数据EEMD能量熵特征提取第26-28页
    2.3 基于内禀模态函数近似熵特征提取第28-32页
        2.3.1 内禀模态函数近似熵第28-29页
        2.3.2 内禀模态函数近似熵特征提取第29页
        2.3.3 泄漏数据EMD近似熵特征提取第29-31页
        2.3.4 泄漏数据EEMD近似熵特征提取第31-32页
    2.4 本章小结第32-33页
第三章 基于支持向量机的泄漏信号模式诊断第33-44页
    3.1 统计学习理论基本内容第33-34页
    3.2 支持向量机诊断原理第34-37页
        3.2.1 线性可分SVM第34-36页
        3.2.2 线性不可分SVM第36-37页
    3.3 核函数第37-39页
        3.3.1 常见核函数第37页
        3.3.2 核函数参数对SVM诊断性能的影响第37-39页
    3.4 支持向量机多分类第39-42页
        3.4.1 常用SVM多分类诊断方法第39-41页
        3.4.2 一对一多值分类诊断方法实验数据处理第41-42页
    3.5 SVM管道泄漏数据处理第42-43页
    3.6 本章小结第43-44页
第四章 支持向量机参数优化第44-53页
    4.1 LIBSVM软件包介绍第44-45页
    4.2 网格搜索法对SVM参数优化第45-46页
        4.2.1 网格搜索算法第45页
        4.2.2 网格搜索算法实验数据处理第45-46页
    4.3 粒子群算法对SVM参数优化第46-48页
        4.3.1 粒子群算法参数分析与算法流程第47-48页
        4.3.2 粒子群算法实验数据处理第48页
    4.4 遗传算法对SVM参数优化第48-51页
        4.4.1 遗传算法的参数分析与算法流程第49-50页
        4.4.2 遗传算法实验数据处理第50-51页
    4.5 粒子群与遗传结合算法对SVM参数优化第51-52页
    4.6 本章小结第52-53页
结论第53-54页
参考文献第54-57页
发表文章目录第57-58页
致谢第58-59页

论文共59页,点击 下载论文
上一篇:延安市城区大气颗粒物中主要金属元素的含量、分布及源解析研究
下一篇:以日语为母语的零起点汉语学习者猜测汉日同形词词义的研究