| 致谢 | 第1-6页 |
| 摘要 | 第6-9页 |
| Abstract | 第9-13页 |
| 目录 | 第13-17页 |
| 图目录 | 第17-18页 |
| 表目录 | 第18-20页 |
| 第一章 绪论 | 第20-28页 |
| ·引言 | 第20-21页 |
| ·颗粒检测的方法 | 第21页 |
| ·基于声发射信号的颗粒检测技术 | 第21-25页 |
| ·本文的组织结构 | 第25-26页 |
| 参考文献 | 第26-28页 |
| 第二章 声发射信号的处理方法及现代建模技术 | 第28-66页 |
| ·声发射现象及其在工业上的应用 | 第28-29页 |
| ·声发射信号的处理方法综述 | 第29-32页 |
| ·时频分析 | 第29-31页 |
| ·傅里叶变换 | 第29-30页 |
| ·短时傅里叶变换 | 第30-31页 |
| ·小波分析 | 第31页 |
| ·复杂性分 | 第31-32页 |
| ·统计能量分析 | 第32页 |
| ·小波分析概述 | 第32-54页 |
| ·小波分析的基本原理 | 第33-42页 |
| ·L~2(R)空间 | 第33页 |
| ·连续小波变换 | 第33-35页 |
| ·小波变换和自适应时频窗 | 第35-36页 |
| ·几种主要的小波 | 第36-41页 |
| ·离散小波变换 | 第41-42页 |
| ·多分辨分析 | 第42-47页 |
| ·一维正交多分辨分析 | 第42-43页 |
| ·函数的正交小波分解 | 第43-47页 |
| ·小波包 | 第47-50页 |
| ·小波包及小波包的子空间分解 | 第48页 |
| ·小波包的性质 | 第48-50页 |
| ·信号小波去噪 | 第50-54页 |
| ·小波阈值去噪法 | 第51-52页 |
| ·信号的小波包降噪 | 第52-54页 |
| ·声发射信号的小波分析 | 第54-55页 |
| ·信号除噪 | 第54页 |
| ·奇异性检测 | 第54-55页 |
| ·故障诊断与控制 | 第55页 |
| ·基于声发射信号的集成建模技术的研究进展 | 第55-59页 |
| ·声发射信号的特点 | 第55-56页 |
| ·现代建模方法 | 第56-58页 |
| ·声发射技术与现代建模技术的集成应用 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 第三章 小波分析与神经网络的集成技术用于流化床平均粒度的检测 | 第66-92页 |
| ·人工神经网络概述 | 第66-74页 |
| ·人工神经元网络的发展历程 | 第66-67页 |
| ·神经元网络的主要类型 | 第67页 |
| ·两种前向神经网络的结构与学习算法 | 第67-74页 |
| ·多层前向型网络 | 第67-70页 |
| ·RBF网络 | 第70-74页 |
| ·Sym8WLA-PCA-MLNN方法用于流化床平均粒度的检测 | 第74-84页 |
| ·声发射信号与床层颗粒粒度的关系 | 第75-76页 |
| ·声发射信号的多尺度分解 | 第76-78页 |
| ·试验的实施和结果讨论 | 第78-84页 |
| ·流化床声发射信号样本的采集 | 第78-79页 |
| ·声发射信号能量模式与主成分分析 | 第79-82页 |
| ·神经网络模型的建立 | 第82页 |
| ·试验结果及其分析 | 第82-84页 |
| ·Haar WLPA-PCA-RBFN用于流化床平均粒度检测 | 第84-87页 |
| ·小波包与分解尺度选取 | 第84页 |
| ·RBF网络的建立与结果分析 | 第84-87页 |
| ·Haar WLPA-RBFN用于流化床平均粒度检测 | 第87-89页 |
| ·能量模式与宽度分布参数的确定 | 第87-88页 |
| ·RBF网络结构的确定 | 第88页 |
| ·试验结果及讨论 | 第88页 |
| ·三种方法的预报性能比较 | 第88-89页 |
| ·本章小结 | 第89-90页 |
| 参考文献 | 第90-92页 |
| 第四章 小波分析与判别分析的集成技术用于搅拌釜颗粒的分类 | 第92-116页 |
| ·现代判别分析方法简介 | 第93-100页 |
| ·变量的检验和筛选 | 第93-97页 |
| ·变量判别能力的检验 | 第94页 |
| ·逐步判别方法 | 第94-97页 |
| ·贝叶斯判别方法 | 第97-99页 |
| ·贝叶斯判别的基本思路 | 第97-98页 |
| ·贝叶斯判别的主要步骤 | 第98-99页 |
| ·距离判别方法 | 第99-100页 |
| ·搅拌釜声发射信号样本数据的采集 | 第100-105页 |
| ·基本原理 | 第100-101页 |
| ·声发射信号采集的装置与方法 | 第101页 |
| ·样本数据的组成 | 第101-102页 |
| ·声发射信号除噪 | 第102-105页 |
| ·声发射信号样本的多尺度分解与能量模式 | 第105-107页 |
| ·模式变量的检验和筛选 | 第107-112页 |
| ·能量模式对粒度分类能力 | 第107-108页 |
| ·能量模式对浓度的分类能力 | 第108-110页 |
| ·影响分类准确性的几个因素 | 第110-112页 |
| ·判别结果的分析讨论 | 第112页 |
| ·本章小结 | 第112-113页 |
| 参考文献 | 第113-116页 |
| 第五章 小波包分析与最小二乘支持向量机的集成技术用于复杂体系的分类 | 第116-139页 |
| ·支持向量机简述 | 第116-121页 |
| ·经验风险最小化和结构风险最小化 | 第116-118页 |
| ·用于分类的支持向量机 | 第118-121页 |
| ·用于分类的最小二乘支持向量机 | 第121-126页 |
| ·两类LSSVM分类器 | 第122-123页 |
| ·LSSVM多类分类原理 | 第123-124页 |
| ·用于多类分类的LSSVM编码 | 第124-126页 |
| ·基于LSSVM的回归估计 | 第126-127页 |
| ·基于声测量技术的PCA-LSSVM在搅拌釜中的应用 | 第127-133页 |
| ·声发射信号样本能量模式和主成分提取 | 第127-128页 |
| ·LSSVM用于粒度组成恒定的物料浓度分类 | 第128-130页 |
| ·PCA-LSSVM用于两类粒度的浓度分类 | 第130-132页 |
| ·PCA-LSSVM用于搅拌釜内物料浓度的五类分类 | 第132-133页 |
| ·基于PCA-LSSVM的声发射法检测流化床内物料平均粒度 | 第133-134页 |
| ·本章小结 | 第134-136页 |
| 参考文献 | 第136-139页 |
| 第六章 搅拌釜颗粒特性的聚类分析 | 第139-165页 |
| ·聚类分析和相关算法 | 第140-147页 |
| ·聚类分析概述 | 第140-141页 |
| ·谱系聚类法 | 第141-143页 |
| ·基于等价关系的聚类方法 | 第143页 |
| ·基于目标函数的模糊聚类分析 | 第143-147页 |
| ·数据集的c划分 | 第144页 |
| ·聚类目标函数 | 第144-146页 |
| ·模糊c均值聚类算法 | 第146-147页 |
| ·谱系聚类法在搅拌釜中的应用 | 第147-154页 |
| ·实验材料与方法 | 第147-148页 |
| ·浓度一定时谱系聚类分析 | 第148-149页 |
| ·两种浓度下的谱系聚类分析 | 第149-151页 |
| ·全部声发射信号谱系聚类分析 | 第151-154页 |
| ·GA-FCM聚类分析在搅拌釜中的应用 | 第154-162页 |
| ·GA-FCM算法流程 | 第154-156页 |
| ·聚类有效性分析 | 第156页 |
| ·浓度一定条件下GA-FCM聚类分析 | 第156-157页 |
| ·两类粒度五种浓度下GA-FCM聚类分析 | 第157-160页 |
| ·四类粒度五种浓度下GA-FCM聚类分析 | 第160-162页 |
| ·本章小结 | 第162-163页 |
| 参考文献 | 第163-165页 |
| 第七章 总结与展望 | 第165-169页 |
| ·总结 | 第165-166页 |
| ·展望 | 第166-169页 |
| 作者攻博期间完成的论文和科研工作 | 第169页 |
