| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 本课题的背景和意义 | 第11-14页 |
| 1.2 管道内检测器实时跟踪定位的研究现状 | 第14-19页 |
| 1.2.1 国外研究现状 | 第14-18页 |
| 1.2.2 国内研究现状 | 第18-19页 |
| 1.3 本文的主要工作 | 第19-21页 |
| 第2章 内检测器定位基本原理及参数修正 | 第21-29页 |
| 2.1 内检测器定位基本原理 | 第21-23页 |
| 2.2 定位基本原理的参数分析及修正 | 第23-27页 |
| 2.2.1 内检测器运行速度分析 | 第23-24页 |
| 2.2.2 压力波传播速度分析与修正 | 第24-27页 |
| 2.3 影响定位精度的因素分析 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 管道内检测器定位系统硬件设计 | 第29-43页 |
| 3.1 无源压力波发生装置的设计 | 第29-36页 |
| 3.1.1 装置设计方案 | 第30-31页 |
| 3.1.2 装置运动状态 | 第31-35页 |
| 3.1.3 装置参数分析 | 第35-36页 |
| 3.2 数据采集系统的设计与实现 | 第36-42页 |
| 3.2.1 信号预处理 | 第36-37页 |
| 3.2.2 GPS授时单元 | 第37-38页 |
| 3.2.3 数据采集装置选型及程序设计 | 第38-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 基于混沌预测的微弱信号检测方法研究 | 第43-69页 |
| 4.1 混沌理论 | 第43-52页 |
| 4.1.1 混沌定义 | 第43-45页 |
| 4.1.2 相空间重构理论 | 第45-50页 |
| 4.1.3 Lyapunov指数 | 第50-52页 |
| 4.1.4 混沌理论在微弱信号检测中的应用 | 第52页 |
| 4.2 基于混沌预测检测微弱信号的方法与仿真 | 第52-62页 |
| 4.2.1 RBF神经网络原理 | 第53-54页 |
| 4.2.2 算法描述 | 第54-57页 |
| 4.2.3 基于混沌预测方法的Lorenz数据仿真 | 第57-62页 |
| 4.3 混沌预测在管道压力微弱信号检测中的应用 | 第62-68页 |
| 4.3.1 管道压力数据预处理 | 第62-64页 |
| 4.3.2 管道微弱压力信号的检测与分析 | 第64-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第5章 基于神经网络分类的首末站微弱信号匹配方法研究 | 第69-79页 |
| 5.1 神经网络模式分类 | 第69-70页 |
| 5.1.1 模式分类 | 第69页 |
| 5.1.2 神经网络模式分类的方法及特点 | 第69-70页 |
| 5.2 微弱压力信号特征参数的计算 | 第70-72页 |
| 5.2.1 微弱压力信号窗宽的选取 | 第70-71页 |
| 5.2.2 微弱压力信号均值的计算 | 第71页 |
| 5.2.3 微弱压力信号波动系数的计算 | 第71-72页 |
| 5.2.4 微弱压力信号能量的计算 | 第72页 |
| 5.3 神经网络模式分类在微弱信号匹配中的应用 | 第72-78页 |
| 5.3.1 基于神经网络模式分类的单匹配分类器 | 第73-75页 |
| 5.3.2 基于神经网络模式分类的多匹配分类器 | 第75-76页 |
| 5.3.3 微弱压力信号的复合匹配 | 第76-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 攻读硕士期间科研情况 | 第87页 |