| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的背景和意义 | 第11页 |
| 1.2 迭代反演算法的提出 | 第11-12页 |
| 1.3 工程电磁场的正演流程及方法 | 第12-14页 |
| 1.4 电磁场理论及有限元正演方法的研究现状 | 第14-16页 |
| 1.4.1 电磁场理论的研究现状 | 第14-15页 |
| 1.4.2 有限元法电磁场正演的研究现状 | 第15-16页 |
| 1.5 主要研究内容 | 第16-17页 |
| 第2章 基于FEM的永磁场正演算法研究 | 第17-33页 |
| 2.1 引言 | 第17页 |
| 2.2 Maxwell方程组及静态磁场表达 | 第17-19页 |
| 2.3 有限元法的基本理论 | 第19-20页 |
| 2.3.1 有限元法的基本思想 | 第19页 |
| 2.3.2 有限元法的特点 | 第19-20页 |
| 2.3.3 有限元方法的实现步骤 | 第20页 |
| 2.4 基于ANSYS的永磁场建模与分析 | 第20-24页 |
| 2.4.1 ANSYS介绍 | 第20-21页 |
| 2.4.2 ANSYS求解流程 | 第21-24页 |
| 2.5 二维缺陷处磁场的建模与分析 | 第24-30页 |
| 2.5.1 二维轴对称有限元模型的建立 | 第24-27页 |
| 2.5.2 二维轴对称有限元模型的分析 | 第27-30页 |
| 2.6 三维缺陷处磁场的建模与分析 | 第30-32页 |
| 2.6.1 三维有限元模型的建立 | 第30-31页 |
| 2.6.2 三维有限元模型的分析 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 基于BPNN的永磁场正演算法研究 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 BP神经网络的基本原理 | 第33-35页 |
| 3.3 二维缺陷处场强信号表征 | 第35-36页 |
| 3.4 BP神经网络在永磁场正演过程中的应用 | 第36-45页 |
| 3.4.1 训练算法的优选 | 第36-41页 |
| 3.4.2 隐层神经元数量的优选 | 第41-42页 |
| 3.4.3 样本归一化的影响 | 第42-44页 |
| 3.4.4 传递函数的优选 | 第44-45页 |
| 3.5 最优参数的BP神经网络实例验证 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 BPNN正演算法速度及精度的改进方案 | 第47-63页 |
| 4.1 引言 | 第47页 |
| 4.2 基于遗传算法的BPNN收敛速度提升的研究 | 第47-52页 |
| 4.2.1 遗传算法的概述 | 第47页 |
| 4.2.2 遗传算法提升BP神经网络收敛速度的原理 | 第47-49页 |
| 4.2.3 BP神经网络与GA-BP神经网络的对比分析 | 第49-52页 |
| 4.3 基于支持向量机的BPNN预测精度提升的研究 | 第52-62页 |
| 4.3.1 支持向量机的基本原理 | 第52-53页 |
| 4.3.2 基于SVM算法的训练集分类处理 | 第53-56页 |
| 4.3.3 基于SVM算法的单双峰专属GA-BP模型 | 第56-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 场强推演算法及正演算法流程设计 | 第63-75页 |
| 5.1 引言 | 第63页 |
| 5.2 场强推演算法的研究 | 第63-72页 |
| 5.2.1 场强信号特征点坐标还原 | 第63-64页 |
| 5.2.2 缺陷处场强推演算法的研究 | 第64-70页 |
| 5.2.3 单峰曲线的改进算法 | 第70-72页 |
| 5.3 基于神经网络的永磁场参数正演算法流程设计 | 第72-73页 |
| 5.4 基于神经网络的永磁场参数正演算法的可行性验证 | 第73-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 本文总结 | 第75-76页 |
| 6.2 未来展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士期间科研情况 | 第85页 |
