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 |
