基于矢量量化技术的钢水连铸下渣检测方法的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-29页 |
| 引言 | 第9-10页 |
| ·国内外下渣检测方法研究与应用现状 | 第10-14页 |
| ·电磁检测方法 | 第10-11页 |
| ·超声波检测方法 | 第11-13页 |
| ·红外线检测方法 | 第13-14页 |
| ·称重检测方法 | 第14页 |
| ·基于振动的下渣检测方法 | 第14-19页 |
| ·下渣振动检测原理 | 第14-16页 |
| ·振动信号的主要影响因素 | 第16-19页 |
| ·下渣振动检测关键技术 | 第19页 |
| ·模式识别技术及应用 | 第19-28页 |
| ·模式识别概述 | 第19-22页 |
| ·模式识别的基本概念 | 第19-20页 |
| ·模式空间、特征空间及类型空间 | 第20-21页 |
| ·模式识别系统的构成 | 第21-22页 |
| ·常见模式识别方法 | 第22-28页 |
| ·递归神经网络(RNN) | 第22-24页 |
| ·动态时间规整法(DTW) | 第24-25页 |
| ·隐MARKOV模型 | 第25-26页 |
| ·矢量量化技术(VQ) | 第26-28页 |
| ·本文研究的主要内容 | 第28-29页 |
| 第二章 矢量量化技术在下渣检测中的应用 | 第29-36页 |
| ·矢量量化技术简介 | 第29-31页 |
| ·矢量量化的概念和基本理论 | 第29-30页 |
| ·矢量量化技术特点与性能评价 | 第30-31页 |
| ·矢量量化技术在工程中的应用 | 第31-34页 |
| ·矢量量化技术在下渣检测中的应用 | 第34-35页 |
| ·基于VQ的钢水浇铸状态识别原理 | 第34页 |
| ·关于提高识别精度的问题 | 第34-35页 |
| ·矢量量化技术应用于下渣检测关键问题 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第三章 振动信号分析与特征矢量提取 | 第36-56页 |
| ·信号采集与处理 | 第36-38页 |
| ·信号采集与控制装置 | 第36-37页 |
| ·数据预处理 | 第37-38页 |
| ·振动信号一般分析 | 第38-43页 |
| ·方差分析 | 第39页 |
| ·能量分析 | 第39-40页 |
| ·傅立叶分析 | 第40-41页 |
| ·信号功率谱分析 | 第41-43页 |
| ·小波分析 | 第43-48页 |
| ·小波分析概述 | 第43页 |
| ·小波变换原理 | 第43-46页 |
| ·振动信号小波分解 | 第46-48页 |
| ·小波包理论及振动信号特征矢量提取 | 第48-54页 |
| ·小波包理论 | 第48-50页 |
| ·基于小波包的特征矢量提取 | 第50-52页 |
| ·实验数据分析 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 钢水浇铸状态的码本训练及码字快速搜索 | 第56-77页 |
| ·矢量量化器 | 第56-57页 |
| ·穷尽搜索矢量量化器(FVQ) | 第56-57页 |
| ·预测矢量量化器(PVQ) | 第57页 |
| ·最优矢量量化 | 第57-59页 |
| ·最优矢量量化的必要条件 | 第58-59页 |
| ·矢量量化最优条件的充分性 | 第59页 |
| ·常见的码本设计方法 | 第59-65页 |
| ·GLA算法 | 第60-63页 |
| ·基于神经网络的码本设计算法 | 第63-64页 |
| ·随机松弛码书设计算法 | 第64-65页 |
| ·钢水浇铸码本设计 | 第65-70页 |
| ·初始码本的设计及程序实现 | 第66-69页 |
| ·码本优化 | 第69-70页 |
| ·码字快速搜索 | 第70-76页 |
| ·常见码字快速搜索方法 | 第71-72页 |
| ·钢水浇铸码字快速搜索 | 第72-74页 |
| ·快速搜索算法的程序实现 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 码本训练及浇注状态识别实验 | 第77-79页 |
| ·码本训练及浇注状态识别实验 | 第77页 |
| ·结论 | 第77-79页 |
| 第六章 结论及展望 | 第79-81页 |
| ·本文所作的研究工作 | 第79页 |
| ·结论 | 第79页 |
| ·未来工作展望 | 第79-81页 |
| 参考文献 | 第81-84页 |
| 硕士期间论文发表 | 第84-85页 |
| 致谢 | 第85页 |
