基于智能方法的缺陷反演研究
| 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 国内外研究现状 | 第11-13页 |
| 1.2.1 涡流检测应用技术的发展 | 第11-12页 |
| 1.2.2 涡流数据的反演计算的发展 | 第12-13页 |
| 1.3 常用智能方法简介 | 第13-15页 |
| 1.3.1 人工神经网络 | 第13-14页 |
| 1.3.2 支持向量机 | 第14页 |
| 1.3.3 随机森林 | 第14页 |
| 1.3.4 Boosting优化 | 第14-15页 |
| 1.4 本文的主要研究内容 | 第15-17页 |
| 第2章 基于神经网络的缺陷反演 | 第17-41页 |
| 2.1 神经网络简介 | 第17-20页 |
| 2.1.1 RBF神经网络 | 第17-19页 |
| 2.1.2 BP神经网络 | 第19-20页 |
| 2.2 神经网络反演模型设计 | 第20-28页 |
| 2.2.1 RBF网络模型设计 | 第20-26页 |
| 2.2.2 BP网络模型设计 | 第26-28页 |
| 2.3 仿真实例与结果分析 | 第28-39页 |
| 2.3.1 RBF神经网络模型 | 第28-30页 |
| 2.3.2 BP神经网络模型 | 第30-32页 |
| 2.3.3 实际工况的改变对计算结果的影响 | 第32-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 基于支持向量机的缺陷反演 | 第41-55页 |
| 3.1 支持向量机简介 | 第41-46页 |
| 3.1.1 统计学习理论基础 | 第41-43页 |
| 3.1.2 支持向量机理论简介 | 第43-46页 |
| 3.2 支持向量机反演模型设计 | 第46-48页 |
| 3.2.1 核函数选择 | 第46页 |
| 3.2.2 核函数参数的选择 | 第46-47页 |
| 3.2.3 支持向量机反演步骤 | 第47-48页 |
| 3.3 仿真实例与结果分析 | 第48-53页 |
| 3.3.1 支持向量机训练结果 | 第48-49页 |
| 3.3.2 实际工况的改变对计算结果的影响 | 第49-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第4章 基于随机森林的缺陷反演 | 第55-71页 |
| 4.1 随机森林简介 | 第55-59页 |
| 4.1.1 决策树 | 第55-58页 |
| 4.1.2 随机森林 | 第58-59页 |
| 4.2 决策树与随机森林的反演模型设计 | 第59-60页 |
| 4.2.1 决策树模型设计 | 第59-60页 |
| 4.2.2 随机森林模型设计 | 第60页 |
| 4.3 仿真实例与结果分析 | 第60-70页 |
| 4.3.1 决策树算法 | 第60-62页 |
| 4.3.2 随机森林算法 | 第62-64页 |
| 4.3.3 实际工况的改变对计算结果的影响 | 第64-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第5章 基于Adaboost优化的缺陷反演 | 第71-85页 |
| 5.1 Boosting算法简介 | 第71-72页 |
| 5.1.1 Boosting算法 | 第71页 |
| 5.1.2 Adaboost算法 | 第71-72页 |
| 5.2 本文Adaboost优化反演过程设计 | 第72-73页 |
| 5.3 仿真实例与结果分析 | 第73-83页 |
| 5.3.1 RBF_Adaboost模型 | 第73-74页 |
| 5.3.2 SVM Adaboost模型 | 第74-76页 |
| 5.3.3 实际工况的改变对计算结果的影响 | 第76-83页 |
| 5.4 智能方法反演效果对比 | 第83-84页 |
| 5.5 本章小结 | 第84-85页 |
| 第6章 总结与展望 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-93页 |
| 攻读硕士期间科研情况 | 第93页 |
