一、改进BP神经网络在流型智能识别中的应用（论文文献综述）
续婷[1]（2021）在《基于群智能算法与机器学习的预测与分类研究》文中认为随着现代科技的飞速发展,人工智能已被广泛应用于人们生活中的方方面面。作为人工智能核心技术的机器学习在各个领域都迎来了新的挑战,如何提高机器学习在新环境新问题中对数据的分析与应用效率,已经成为了全球学者关注的热点问题。本文主要对海鸥优化算法（Seagull Optimization Algorithm,SOA）、粒子群优化算法（Particle Swarm Optimization,PSO）等群智能优化算法与支持向量回归（Support Vector Regression,SVR）、支持向量机（Support Vector Machine,SVM）分类、极限学习机（Extreme Learning Machine,ELM）等机器学习方法进行研究,并将这些方法成功应用于空气质量预测、激光超声缺陷检测以及混凝土砖图像识别等问题中。本文主要成果包括:（1）针对COVID-19的一些防治措施对空气质量的影响,首先,使用数值统计方法与灰色关联度分析（Grey Relational Analysis,GRA）方法对包含COVID-19爆发期在内的四个相关时段内的空气质量与六种主要污染浓度做了评价和分析。其次,基于SOA算法只考虑全局最优影响而忽略个体最优影响等特点,提出了改进的SOA算法,并与SVM模型相结合,建立了混合预测模型ISOA-SVR。最后,利用所提出的ISOA-SVR方法对空气质量指数（Air Quality Index,AQI）进行预测。在两种不同数据上的实验结果表明,提出的ISOA-SVR方法与其它模型相比,具有更好的预测性能、泛化能力和鲁棒性。（2）针对激光超声缺陷检测中信号的高维数以及所获取数据的少样本等问题,建立了基于稀疏表示的信号特征提取模型。提出了基于TDIW惯性权重策略的TPSO算法。同时通过引入非线性收缩因子和更多的随机变量,进一步提出了IPSO算法,提升了算法的寻优性能,有效避免了算法陷入局部极小值的问题。建立了TPSO-SVM和IPSO-SVM分类模型,并将其应用于激光超声缺陷信号的检测识别中。通过与其它分类模型的比较,验证了所提模型具有更优越的分类检测性能。（3）针对混凝土砖图像的分类与识别问题,首先,提出了RGB空间平均像素与HSV空间平均灰色共生矩阵（Gray Level Co-Occurrence Matrix,GLCM）特征相融合的图像特征提取方法,并将提取到的融合特征分别输入到SVM分类模型、BPNN、ELM模型中实现了混凝土砖图像的自动分类识别。通过实验结果对比,SVM方法在混凝土砖图像自动分类识别中获得了较高的识别准确率。其次,提出了基于ISOA算法的混合分类模型ISOA-SVM,利用ISOA算法优化了SVM的模型参数,通过在两个不同混凝土砖图像样本集上的实验结果表明,与SOA-SVM、PSO-SVM、IPSO-SVM、SCA-SVM、WOA-SVM、DE-SVM以及SVM等分类方法相比,提出的ISOA-SVM方法具有更好的分类识别准确率。最后,建立了基于Bagging算法的ELM集成分类模型,通过在两个不同混凝土砖样本集上的实验结果表明,提出的ELM集成模型有效的提高了单一ELM模型在混凝土砖图像分类识别上的识别精度。本文研究的几类群智能算法和机器学习方法的改进,极大提升了原有算法的性能,同时在空气质量问题、激光超声缺陷检测问题以及混凝土砖图像分类与识别问题中得到了成功的应用,具有一定的实用价值。
刘耀徽[2]（2021）在《基于随机森林的气液两相流型识别研究》文中进行了进一步梳理在描述气液两相流的众多参数中,流型对两相流系统的运行监控、过程控制及安全保证等具有重要的学术意义和工业应用价值。由于两相流动的复杂性和随机性,气液两相流的流型识别一直是国内外长期未能得以很好解决的难题。本文通过对水平管气液两相流图像信号和压差信号的采集和分析,提取有效区分流型的特征量与识别模型相结合,完成对层状流、波状流、泡状流、塞状流以及环状流五种流型的识别;主要研究包括了信号数据预处理、特征提取与选择、分类器的训练和分类算法的执行。首先,将图像处理技术应用到气液两相流型识别中。为了进行图像识别,需要将位于高维空间的原始图像转换到低维空间中,筛选掉对图像分类没有贡献的特征。本文对两相流的图像信号进行预处理后,从流型图像的灰度分布、形状特征以及纹理特征三个方面,基于灰度直方图、不变矩及灰度共生矩进行了特征提取,为流型识别工作提供有力依据。其次,对于压差波动信号这种非线性非平稳的信号,传统HHT方法存在筛选次数难确定、趋势函数太粗略以及模态混叠等严重的弊端,提出了将改进的HHT方法,即互补型集合经验模态分解方法（CEEMD）,应用于气液两相流流型识别中,对两相流差压波动信号进行分解。采用经验模态分解和互补型集合经验模态分解两种方法对压差信号进行分析,经过对比验证CEEMD在压差波动信号分解上的优势,改进后的方法不仅可以解决EMD分解中的噪声残留缺陷,还可以有效减轻信号固有模式的过分解问题。CEEMD方法在整个时间和频率范围内均具有较高的分辨率,能够较好地表征压差波动信号的时频特性。基于CEEMD提取了压差信号的时域特征和频域特征并进行分析,得到了压差信号的时域特征参数和IMF分量能量,构成的特征向量,能够有效识别五种流型。最后,提出了将随机森林算法应用于气液两相流型识别中。选择合适算法作为决策树节点分裂算法,基于随机森林算法分别对两相流的图像信号和压差波动信号进行了分类识别,并对随机森林进行参数优化。结果表明,从两相流的图像信号和压差信号提取出的有效特征能够与本文中的随机森林算法良好结合,模型具有较好的稳定性和泛化性能,对五种流型的识别准确率较高。
何坤[3]（2021）在《基于模态信息熵和GA-BP神经网络的桥梁损伤识别研究》文中研究说明随着我国桥梁老化问题日益突出,桥梁损伤识别和健康监测已经成为未来桥梁发展的重要方向。基于结构振动特性和智能算法等理论的损伤识别方法已经得到很大的进展,但是,桥梁的损伤识别仍然存在很多难点,如实测完备信息获取难度大,环境噪声影响大,结构损伤程度定量分析难等困难。所以本文基于前人研究和结构损伤识别现状,结合信息熵,模态应变能和智能算法理论的优势进行了结构损伤定位分析与定量分析,相关研究如下:（1）对传统的模态应变能理论进行了改进,改进后的模态应变能理论同时采用了损伤前后的振型。结合改进模态应变能理论和信息熵理论,推导出损伤前后改进模态应变能熵函数,构造出新的损伤识别指标:改进模态应变能熵值变化率（Improved Modal Strain Energy Entropy Gradient,IMSEEG）来对结构的损伤位置进行分析。（2）建立了简支梁桥和桁架梁桥两种不同结构形式的桥梁进行数值模拟分析,验证了IMSEEG指标进行损伤定位的有效性和准确性,并运用数据拟合方法对结构的损伤程度进行了分析,且对其进行了抗噪性分析。（3）运用遗传算法优化BP神经网络的初始权值和阈值,构建GA-BP神经网络,以损伤识别指标IMSEEG作为网络的输入,输出各单元的刚度折减系数,以此来对结构的损伤进行定量分析。（4）为进一步验证IMSEEG指标和GA-BP神经网络的实际应用能力,进行了简支钢梁桥振动测试试验。以钢梁开槽模拟结构损伤工况,获取结构损伤前后的模态信息,按步骤对试验数据进行处理计算。全文结合理论分析、数值模拟及试验验证充分证明了本文方法的有效性和准确性。研究结果表明,本文所推导出的IMSEEG指标能够对简支梁和桁架梁桥的单点损伤和多点损伤进行准确定位。IMSEEG指标结合GA-BP神经网络能够对结构的单点损伤和多点损伤进行精确定量分析,相对误差能够保持在5%以内。IMSEEG在分析简支梁桥损伤时能够在信噪比为20d B及以上的环境下准确识别出损伤位置,在桁架梁桥结构中则需要在信噪比为40d B及以上的环境下才能精准定位损伤,表明随着结构复杂程度的提高,IMSEEG指标的抗噪性能会受到一定程度的影响。最后,基于简支钢梁试验进一步验证了损伤识别方法的准确性,但受到试验中不可控因素的影响,使得损伤识别精度有所降低。
蒋大杏[4]（2021）在《基于XGBoost的ECT管道空隙率测量与三维图像重建》文中研究表明电容层析成像技术（Electrical Capacitance Tomography,ECT）是将采集的数据转换成图像,再在计算机屏幕上呈现的一种可视化技术手段,即通过电容传感器获取管道或装置被测区域内两相流流动介质的电容数据,并利用相应算法计算出流动介质分布图像的过程层析成像技术,具有设计结构简单、开发成本低、响应速度快、非侵入性等特点,多年来被广泛应用于化工业、航空业、核工业等领域。作为过程层析成像技术（Process Tomography,PT）的热点研究方向之一,具有非常好的研究意义与实用价值。为了提高检测电路电容测量值的精度,在ECT系统工作原理的基础上,采用24个电极建立ECT系统敏感场区域即图像重建模型,考虑电位场的非均匀性,采用有限元分析法对模型进行网格划分,使用竖向单电极激励模式对电容传感器的各极板施加激励电压,然后利用后处理模块获得块状流、分层流、环状流的电容测量值并计算它们在敏感场中的灵敏度。电容层析成像系统的“软场”效应导致图像重建的精度不高,由于空隙率的分布与介质的介电常数分布没有关联,因此其测量结果不会受到“软场”的影响,采用XGBoost算法测量两相流中的空隙率分布值。电容值与流型识别之间属于分类关系,与空隙率之间属于回归关系,首先通过电容值的分类模型来实现流型识别,记录下电容值大小及其对应的流型,再根据不同流型建立各自流型的回归模型,对它们进行空隙率的测量,记录下空隙率的值。由于从仿真模型中获得的独立电容测量值个数非常有限,导致图像重建的精度难以满足工业应用的需求,为了解决这个问题,本文采用双树复小波变换（Dual-tree Complex Wavelet Transform,DTCWT）提取空隙率分布特征,将单元体空隙率、提取的空隙率分布特征等共同作为DTCWT空隙率BP神经网络算法的输入,重现介质在管道内的分布状态,最终完成三维图像重建。
任阳阳[5]（2020）在《基于有载频率指标和深度学习理论的桥梁损伤识别研究》文中研究说明在车辆荷载、温度等因素综合作用下,处于运营阶段的桥梁会不可避免地出现结构损伤现象,从而降低桥梁在使用期间的安全性和可靠性,及时获取桥梁损伤状态对保证桥梁安全运营具有重要的现实意义。本文结合有载频率变化参数和堆栈自动编码机网络对结构损伤识别方法进行了研究,主要工作包括以下几个方面:（1）概述现有桥梁损伤识别的方法。从局部和全局两个方面介绍桥梁损伤的识别方法。针对基于结构动力特性的识别方法,从信号分析技术和损伤识别技术两个层面叙述了现有方法的优点和局限性,并提出解决思路和研究路线。（2）介绍深度学习理论及其三种常见的深度学习网络。结合各种网络的特点,选用了堆栈自动编码机网络进行桥梁结构损伤识别的相关研究。（3）构建基于桥梁有载频率变化的损伤识别指标。在介绍基于频率变化的识别方法及其局限性后,引出具有“类时频域”特性的基于桥梁有载频率变化的损伤识别指标。利用简支梁算例进行分析,结果表明:桥梁有载频率变化指标参数能够反映出结构的损伤位置和损伤程度,可做为损伤识别模型的良好输入参数。（4）构建基于堆栈自动编码机的损伤识别模型。利用简支梁进行损伤位置及程度识别的模型测试,并引入堆栈降噪自动编码机对识别模型的抗噪性进行了研究。结果表明:损伤识别模型能够有效地识别损伤位置及其损伤程度;与BP神经网络相比,同等噪音环境下其准确率和置信度均较高,具有更优秀的抗噪性能。（5）将基于桥梁有载频率和深度学习理论的损伤识别模型应用于某三跨连续梁桥,对各跨损伤位置和损伤程度进行了识别测试,结果表明识别模型具有良好的损伤定位和定量能力以及抗噪性能。
王建斌[6]（2020）在《气固流化床流型的表征与识别》文中指出气固流化床广泛应用于能源、化工和环保等领域。流化床的流型主导了床内的热质传递和化学反应过程,故准确表征和识别流型是流化床安全高效运行的关键。目前基于压力脉动的流型表征和识别是工业应用中最为可行的方法,也是学术研究的热点前沿问题。一方面,为了挖掘压力脉动信号隐含的气固流动信息,研究者提出了大量分析方法试图建立压力脉动特征参数和气固流动现象间的准确联系,从而实现流型表征。但由于压力脉动和气固流动的复杂性,对于哪些方法能够和气固流动现象建立准确联系尚缺乏统一意见;另一方面,由于气固流动的非平稳性,从压力脉动中提取的特征参数面临可靠性问题,分析方法能否有效地表征流型主要依赖于主观性判断;最后,研究者也在试图构建压力脉动形成的机理模型,从而加深对于流化床气固流动过程的认识。但由于气固两相流动现象的复杂性和测量手段的局限性,这些方面的认识还远远不足。本文采用实验方法,对气固流化床流型的表征识别、表征方法的可靠性与有效性评价,以及压力脉动的形成机理等问题进行了深入研究。构建了高速摄像和高精度多点压力信号同步采集的软硬件系统,实现了压力与图像信号的同步测量,发展了信号形态和流动图像的数据联合处理与分析方法,建立了压力脉动和气固流动现象间的时空联系,为本文的后续研究提供了有力的分析工具。对压力脉动的时域、频域和状态空间特征进行了系统研究,并基于前述的测量方法探索了以上三方面特征背后的深层气固流动机制,最终阐明了基于上述三类特征的流型表征方法的相似性和优缺点;引入了S变换方法分析压力脉动,实现了气固相运动频率及运动非平稳性的准确辨识和评价。进一步发现S变换的时-频平面能够更清楚地反映鼓泡床和湍动床气固运动复杂性上的差异,并基于此差异提出一个表征流型的新特征参数。联合压力信号形态、气固流动图像的分析,研究了鼓泡床和湍动床中的压力脉动形成机理和流型转变机理。明确了压力脉动的六个来源,建立了压力的上升、下降、局部峰值、局部谷值、峰值传播等特征和压力脉动来源现象的简单联系,研究在不同流型中压力脉动形成机理上的差异。运用雷诺输运定理建立了风室内压力脉动数学模型,分析了压力脉动和风室内净流量的关系,解释了风室内压力和床表面高度呈负相关关系的现象。发现了从鼓泡床到湍动床转变过程中的差压信号变化规律并阐明了其深层机理,并基于此设计了能够反映流型转变机理的特征参数。提出了三个可靠性的定量指标（即三个敏感指数Sl、Sn和Sp）,研究了23种方法流型表征的可靠性及测量位置、颗粒粒径和静床高对表征方法可靠性的影响,研究发现差压信号可以提升一些方法的可靠性。基于三个可靠性指标构建了评价框架,遴选出了较为可靠的方法集。定义了流型表征的有效性,提出了基于轮廓指数计算有效性,研究了测量位置、颗粒粒径、静床高对表征方法有效性的影响。研究发现使用差压信号可以提升流型表征的有效性。基于表征方法的可靠性和有效性,构建了正确率较高和外延性较好的流型识别系统。
王恒[7]（2020）在《流化床内生物质与床料颗粒混合流动特性研究及热解过程DEM-CFD数值模拟》文中研究说明由于环境污染以及能源紧缺问题日益凸显,生物质能高效清洁利用技术受到广泛关注。生物质热解技术可以将生物质转换为液体燃料,具备开发潜力。本文以流化床内生物质热解过程中与床料颗粒的混合流化特性研究为切入点,结合试验与数值模拟方法,对流态化下的生物质颗粒与床料混合流化及热解过程进行研究,最终在欧拉-拉格朗日框架下建立颗粒尺度的生物质热解模型。针对生物质热解过程中生物质物料与床料混合流化过程,本文以成型生物质颗粒、玉米秸秆、稻壳、小米颗粒为研究对象,选取石英砂为床料,通过试验采集了流化过程中的压力脉动信号以及高清瞬时图像等信息。试验结果表明,成型生物质颗粒与小米颗粒在掺混石英砂后的流化特性较好,玉米秸秆即使有石英砂颗粒掺混也极难达到理想的流化状态。稻壳颗粒的流化状态随表观气速以及掺混比例变化都十分明显。借助希尔伯特-黄变换分析方法,对试验采集到的流化过程压力脉动信号进行非线性分析并总结了IMF（Intrinsic Mode Function）分量的能量比例与流型变化之间的规律。尽管生物质颗粒种类不同,但同一个流型对应的IMF分量高、中、低频的能量分布及比例关系有共性规律。通过分析发现,从未充分鼓泡阶段到充分鼓泡阶段,IMF分量的中频能量占比存在一个明显上升的变化趋势。在充分鼓泡阶段,IMF中频能量占比最大,高频能量占比次之,而低频分量的能量比例最小。在未达到充分鼓泡阶段时则是高频能量占比最大,中频能量的比例次之,低频能量比例最小。节涌床阶段则是中频能量比例略高于高频能量,低频能量略有增大。湍流床阶段与节涌床阶段相似,但低频能量比例明显大于其他流型。选取流化数(表观气速u与最小流化速度umf之比)、IMF分量高、中频能量比例EIMF1-3/EIMF4-6以及IMF分量低频EIMF7-8三组数据作为特征向量,通过应用改进的C-means模糊聚类方法对流化过程中的流型进行了聚类,聚类结果为未充分鼓泡、充分鼓泡、节涌、湍流四种流型。进一步将聚类流型作为训练数据和检测数据,应用神经网络算法进一步建立了生物质颗粒与石英砂混合过程智能流型识别系统,对节涌和湍流流型的识别可达100%。在对生物质与床料混合流化特性以及流型特性研究基础上,以稠密相气固两相流动理论为指导,建立了欧拉-拉格朗日框架下的流化床内生物质颗粒与石英砂混合流动过程的数值模型。采用软球模型描述颗粒间及颗粒与壁面之间的碰撞,采用Hertz-Mindlin非线性接触算法进行碰撞受力计算。气固曳力耦合采用的是四向耦合。在模型中考虑了生物质颗粒与石英砂颗粒的密度、尺寸等物性差异,分别讨论了表观气速为1.0 m/s、1.5m/s以及2.5 m/s以及生物质颗粒粒径为1.5 mm、2.0 mm以及3.0 mm时颗粒流化及混合特性。模拟在介观尺度上,对物性差异较大的生物质颗粒与石英砂颗粒的局部混合质量进行了评价。通过研究生物质颗粒与石英颗粒的分布和运动过程中的颗粒平均动能变化,总结了生物质颗粒与石英砂混合机制。模拟结果表明,在一定范围内增大表观气速,对颗粒混合过程有促进作用,较大的表观气速使颗粒更快达到良好混合的状态;直径较小的生物质颗粒对应着较好的混合质量。在生物质颗粒与石英砂混合流化模型基础上,耦合生物质热解三组分动力学模型,建立了欧拉-拉格朗日框架下流化床内生物质热解的数值模型。在生物质颗粒的热解模型中,考虑生物质颗粒随热解反应过程的物性变化及气相参数变化;在传热模型中,考虑了气固传热以及石英砂颗粒对生物质颗粒的辐射传热;采用缩粒模型对生物质颗粒随热解反应的体积变化进行计算。通过模拟,描述了生物质颗粒在热解过程中的瞬时变化规律,研究了气体温度、气体表观速度等因素对热解生成物产率的影响。研究表明,热解油产率随温度升高先升高后下降,在550℃时热解油产率达到最高,由于二次反应的进行,部分热解油分解成小分子气体,因此当温度进一步升高为600℃时,热解油产率略有下降。表观气速对热解生成物产率的影响体现在对气相组分的输运上,更高的表观气速下,热解油的产率更高。
孙颖[8]（2020）在《基于深度信念网络的ECT图像重建算法研究》文中研究说明电容层析成像技术（Electrical Capacitance Tomography,ECT）是20世纪80年代后期便开始发展的一项过程层析成像技术,具有快速安全、非侵入式、价格低廉等优点。在ECT技术中,灵敏度软场是导致图像重建质量不高的一个关键问题,且图像重建的速度也无法满足一些领域上的应用,因此图像重建的质量与速度是ECT技术研究中的关键问题。深度信念网络（Deep Belief Network,DBN）是深度学习领域中被经常使用的一种网络,广泛的应用于非线性系统中,含有多隐藏层,能够逐层的进行特征提取,对于复杂函数具有强大的学习能力。因此将DBN应用在ECT图像重建中,能够避开对灵敏度矩阵的求解,来提高图像重建的质量与速度。本文对ECT系统的基本原理和总体结构进行了具体的分析,介绍了应用在ECT中的常见算法,并对成像质量进行了比较。为提高图像重建质量,针对ECT中的电容数据复杂多样且与介电常数呈非线性关系的特点,提出BP-DBN算法,通过DBN的深层非线性网络结构来实现电容值与被检测场域介电常数的非线性关系,采用BP算法进行反向微调。并对BP-DBN进行了改进,将自适应步长（Adaptive Step,AS）引入到对比散度（Contrastive Divergence,CD）算法中,解决固定步长寻找全局最优困难的问题,改善图像质量;在微调阶段采用拟牛顿法加快收敛速度,减少训练时间。由于上述中的DBN采用BP网络进行反向微调,容易陷入局部最小值,导致成像质量不佳,时间也过长,因此再提出ELM-DBN。极限学习机（Extreme Learning Machine,ELM）对于输入层和隐藏层之间的连接权值随机产生,并且确定下来便不在变化;隐藏层和输入层之间的连接权值不再通过迭代计算方式,而是通过解方程组来调整权值,大大的减少训练时间,提高预测精度。同BP-DBN相比较,ELM-DBN可调参数少,模型预测效果好,尤其在样本训练速度方面有了明显改善。
马跃[9]（2020）在《油水两相电容层析成像流型辨识方法研究》文中研究表明在现代工业中,多相流技术更多地应用在石油、化工、润滑油、轻工业等各行业中,并且这些行业均是国民经济的主导行业。研究多相流技术的本质就是对多相流的流型进行识别。一般情况下,多相流主要分为固、液、气三种状态。本文针对油和水两相状态进行研究。例如:在石油领域中,多相流检测技术对井下原油的开采起到很重要的作用。本文主要对电容层析成像技术的测量原理进行了简要的阐述,分别对该系统三大组成结构进行了介绍。以麦克斯韦方程组为基础,并结合测量原理,进而介绍了电容层析成像（Electrical Capacitance Tomography）系统的正问题和反问题。即对该系统的正向模拟和反向演变过程进行理论研究,得出求解电容值的数学模型以及介绍反演过程中重建图像的方法和流型识别的常用方法。针对于传统的流型识别方法,分别介绍了最邻近识别法、特征提取法、神经网络法和压缩感知法等。通过COMSOL仿真软件建立电容传感器,设置基准传感器的尺寸,根据采用单一控制的方式对传感器的极板个数,管壁厚度以及极板覆盖率等参数进行仿真研究。进一步的优化传感器的结构参数,进而确定了本文中所应用的16极板的传感器的参数。并通过对该传感器的COMSOL with MATLB的仿真,得到实验中各个流型的数据。根据仿真研究得到的流型数据,针对传统的电容层析成像（ECT）流型识别方法识别度低的问题,提出一种基于集成学习理论的ECT流型识别方法。将ECT系统获得的大量流型数据进行归一化处理,并将样本数据的60%随机分配给训练数据,40%作为测试数据。在现有随机森林分类器的基础上进行改进,通过对单独一小类流型进行识别,获取各类流型的识别标签,并通过组合策略的原则将多个小类别得到的标签结果进行重组,最终获取多种流型分类结果。对8种典型流型的仿真实验结果表明,该方法继承了传统的随机森林的分类特点。在5～40d B信噪比的情况下,识别度有明显的提升,而且识别度最高可达99.93%,表明了这种方法抗噪声干扰能力强,是一种适用于工业检测的方法。通过实验对基于集成学习理论的ECT流型识别方法的研究,并与常用识别方法的学习进行对比。首先,通过人工神经网络对各流型的识别做出分析。其次,通过特征提取的方法进行预处理,再对其结果进行神经网络法,从其结果中分别对五种神经网络方法进行分析,得出RNN神经网络的识别效果最好,识别度均在80%以上,最高可达100%。又通过结合Kmeans聚类、ANN、贝叶斯、集成学习等方法,在20-40d B的噪声条件下,对流型的总体识别度进行实验并分析,验证了集成学习方法的识别度均在其他方法之上。
陈雅群[10]（2011）在《基于神经网络的竖直矩形细通道内沸腾换热汽液两相流型识别研究》文中研究指明在沸腾换热的研究中发现,汽液两相流动介质的相界面分布状况,即流型,极大地影响着汽液两相流的流动特性和传热性能,同时也对流动参数的准确测量以及两相流系统运行特性的确定具有很大的影响作用。因此,沸腾换热汽液两相流流型识别的研究一直是两相流参数分析一个重要组成部分。本课题针对流型识别存在的不足,提出了利用神经网络进行流型识别的方法。首先,本课题以去离子水为被加热工质,对槽道宽度分别为2mm、1.5mm、1mm和0.5mm的实验件进行沸腾换热实验。实验过程实现了被测实验件内部沸腾状态的可视化,并且测量了工质的体积流量、实验段入口处温度和压力和实验件的压差波动信号,同时在实验件上沿工质流动方向设置多组热电偶,测量不同位置的温度值。然后,运用matlab小波降噪的方法对获取的信号进行处理。选择小波模块为wavelet 2-D,选择母小波为haar,选择阈值模式为unscaled white noise和horizontal details coefs,选择阈值函数为软阈值。经过处理后的信号可以更好的辅助实验者确定流型的类别,减少主观判断错误的发生。最后,通过实验获得的各点温度、液体体积流量和压差等数据,计算得到一个无量纲数。并以此无量纲数和热电偶处测得的温度值为输入向量,以各向量所对应的三种流型单相流（001）,弹状流（011）,受限弹状流（111）为输出向量。本文建立了四种神经网络：BP,RBF, SOM和Elman神经网络。实验过程中测得的数据其中一部分用于神经网络的建立和训练,另外一部分数据用于对所建立神经网络进行验证。神经网络的识别结果表明：利用BP和Elman神经网络进行流型的识别效果较好,识别率在90%以上,而利用SOM进行识别正确率低于50%,RBF神经网络的识别能力介于两者之间。从而,BP和Elman神经网络可以作为流型的分类器。针对这两种神经网络的良好的分类效果,本文建立了流型识别的用户界面,用户可以在输入栏中输入数据,直接得到输出结果。本文提供了一种识别流型的新方法,与其他识别方法相比,减少了因主观而造成的识别误差,提高了流型的识别率。
二、改进BP神经网络在流型智能识别中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、改进BP神经网络在流型智能识别中的应用（论文提纲范文）
（1）基于群智能算法与机器学习的预测与分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 群智能算法概述 |
| 1.3 机器学习概述 |
| 1.3.1 机器学习发展简史 |
| 1.3.2 机器学习的研究现状 |
| 1.3.3 机器学习面临的挑战 |
| 1.4 本文主要研究内容 |
| 第2章 基于GRA与改进SOA-SVR模型的空气质量分析与AQI预测.. |
| 2.1 空气质量问题 |
| 2.2 改进的海鸥优化算法 |
| 2.2.1 海鸥优化算法(SOA) |
| 2.2.2 改进的海鸥优化算法(ISOA) |
| 2.3 支持向量机回归模型(SVR) |
| 2.4 基于ISOA算法优化的SVR模型 |
| 2.5 实验准备 |
| 2.6 空气质量与空气污染物分析 |
| 2.6.1 灰色关联度分析(GRA) |
| 2.6.2 基于GRA方法的空气质量和空气污染物分析 |
| 2.7 基于ISOA算法优化的SVR模型在AQI预测问题中的应用 |
| 2.7.1 实验一结果与分析 |
| 2.7.2 实验二结果与分析 |
| 2.8 本章小结 |
| 第3章 基于稀疏表示与改进PSO-SVM模型的激光超声缺陷信号检测.. |
| 3.1 激光超声缺陷检测问题 |
| 3.2 稀疏表示理论 |
| 3.3 改进的粒子群优化算法 |
| 3.3.1 粒子群优化算法(PSO) |
| 3.3.2 惯性权重的几种变体 |
| 3.3.3 改进的粒子群算法 |
| 3.4 支持向量机分类模型(SVM) |
| 3.5 基于改进PSO算法优化的SVM模型 |
| 3.6 基于改进PSO算法优化的SVM模型在激光超声缺陷检测问题中的应用 |
| 3.6.1 激光超声表面声波探伤实验 |
| 3.6.2 基于稀疏表示的特征提取 |
| 3.6.3 TPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
| 3.6.4 IPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
| 3.7 本章小结 |
| 第4章 基于多特征融合与机器学习的混凝土砖图像分类与识别 |
| 4.1 混凝土砖图像分类识别问题 |
| 4.2 数据来源与数据处理 |
| 4.3 特征提取 |
| 4.3.1 RGB空间每个通道的平均像素值 |
| 4.3.2 灰色共生矩阵(GLCM) |
| 4.3.3 HSV空间的GLCM纹理特征 |
| 4.4 机器学习方法在混凝土砖图像分类识别中的应用 |
| 4.4.1 SVM分类模型在混凝土砖图像分类识别中的应用 |
| 4.4.2 BP神经网络在混凝土砖图像分类识别中的应用 |
| 4.4.3 ELM神经网络在混凝土砖图像分类识别中的应用 |
| 4.4.4 不同分类器的分类识别结果对比分析 |
| 4.5 本章小结 |
| 第5章 改进SOA-SVM模型在混凝土砖图像分类识别中的应用 |
| 5.1 基于ISOA算法优化的SVM模型 |
| 5.2 混凝土砖图像数据集介绍 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 基于Bagging算法的ELM集成分类模型在混凝土砖图像分类识别中的应用 |
| 6.1 Bagging算法 |
| 6.2 基于Bagging算法的ELM集成模型 |
| 6.3 实验结果与分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要研究工作 |
| 7.2 论文创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 攻读博士期间发表的论文及所取得的研究成果 |
| 致谢 |
（2）基于随机森林的气液两相流型识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外关于该课题的研究现状及分析 |
| 1.2.1 图像处理技术在流型识别中的应用 |
| 1.2.2 压差信号处理在流型识别中的应用 |
| 1.2.3 人工智能技术在流型识别中的应用 |
| 1.2.4 国内外文献综述的简析 |
| 1.3 主要研究内容 |
| 第2章 气液两相流图像和压差信号的采集 |
| 2.1 气液两相流实验系统 |
| 2.1.1 空气-水闭合环路系统 |
| 2.1.2 图像采集记录系统 |
| 2.1.3 信号采集分析系统 |
| 2.2 实验参数设置 |
| 2.3 气液两相流实验步骤 |
| 2.4 测量内容及手段 |
| 2.4.1 图像信号的获取 |
| 2.4.2 压差信号的获取 |
| 2.5 实验数据处理 |
| 2.6 本章小结 |
| 第3章 气液两相流图像信号特征提取 |
| 3.1 气液两相流图像信号预处理 |
| 3.1.1 图像噪声来源 |
| 3.1.2 图像噪声的消除 |
| 3.2 图像信号的特征提取 |
| 3.2.1 基于灰度直方图的流型图像特征提取 |
| 3.2.2 基于不变矩的流型图像特征提取 |
| 3.2.3 基于灰度共生矩阵的流型图像特征提取 |
| 3.3 本章小结 |
| 第4章 气液两相流压差信号特征提取 |
| 4.1 压差信号特性分析 |
| 4.2 经验模态分解 |
| 4.3 互补型集合经验模式分解 |
| 4.4 希尔伯特变换 |
| 4.5 压差信号的特征提取 |
| 4.5.1 基于CEEMD的时域特征提取 |
| 4.5.2 基于CEEMD的频域特征提取 |
| 4.6 本章小结 |
| 第5章 基于随机森林的气液两相流型识别 |
| 5.1 随机森林的概述 |
| 5.1.1 随机森林的基分类器 |
| 5.1.2 随机森林的构建 |
| 5.2 随机森林在sklearn中的实现 |
| 5.3 随机森林的参数调优 |
| 5.4 基于随机森林的气液两相流型识别 |
| 5.4.1 气液两相流图像信号识别结果分析 |
| 5.4.2 气液两相流压差信号识别结果分析 |
| 5.5 随机森林与识别模型的比较 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（3）基于模态信息熵和GA-BP神经网络的桥梁损伤识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 结构损伤识别研究进展 |
| 1.2.1 基于模态应变能的结构损伤识别 |
| 1.2.2 基于信息熵理论的结构损伤识别 |
| 1.2.3 基于人工智能算法的结构损伤识别 |
| 1.3 现有损伤识别方法的不足 |
| 1.4 本文主要研究内容及技术路线 |
| 第2章 理论基础 |
| 2.1 模态应变能理论 |
| 2.2 信息熵理论 |
| 2.2.1 信息熵的定义 |
| 2.2.2 信息熵的性质 |
| 2.3 GA-BP神经网络理论 |
| 2.3.1 BP神经网络 |
| 2.3.2 基于遗传算法优化的BP神经网络 |
| 2.4 抗噪性理论 |
| 2.5 结构单元损伤模拟方法 |
| 2.6 振型扩阶理论 |
| 2.7 本章小结 |
| 第3章 基于改进模态应变能熵值变化率的桥梁损伤识别研究 |
| 3.1 引言 |
| 3.2 改进模态应变能熵值变化率的推导 |
| 3.3 简支梁桥损伤识别 |
| 3.3.1 简支矩形梁桥数值模型 |
| 3.3.2 基于RMSED和 IMSEEG的简支梁桥单点损伤对比分析 |
| 3.3.3 多点损伤工况分析 |
| 3.3.4 损伤程度分析 |
| 3.3.5 抗噪性分析 |
| 3.4 桁架梁桥损伤识别 |
| 3.4.1 桁架梁桥模型 |
| 3.4.2 单点损伤工况分析 |
| 3.4.3 多点损伤工况分析 |
| 3.4.4 噪声影响下的桁架梁桥损伤识别 |
| 3.5 本章小结 |
| 第4章 基于GA-BP神经网络的桥梁损伤定量分析 |
| 4.1 引言 |
| 4.2 GA-BP神经网络的损伤识别模型设计 |
| 4.2.1 BP神经网络模型设计 |
| 4.2.2 GA-BP算法模型设计 |
| 4.2.3 GA-BP神经网络的桥梁损伤识别步骤 |
| 4.3 简支梁桥损伤定量分析 |
| 4.3.1 算法运行参数设置 |
| 4.3.2 简支梁桥单点损伤定量分析 |
| 4.3.3 简支梁桥多点损伤定量分析 |
| 4.4 桁架梁桥损伤定量分析 |
| 4.4.1 算法运行参数设置 |
| 4.4.2 桁架梁桥单点损伤定量分析 |
| 4.4.3 桁架梁桥多点损伤定量分析 |
| 4.5 本章小结 |
| 第5章 基于IMSEEG和GA-BP神经网络的桥梁损伤识别的试验验证 |
| 5.1 引言 |
| 5.2 试验方案设计 |
| 5.2.1 试验目的及仪器 |
| 5.2.2 试验内容及测点布置 |
| 5.2.3 试验工况设置 |
| 5.3 试验模型有限元模拟分析 |
| 5.4 基于IMSEEG方法的试验验证 |
| 5.4.1 试验数据获取及处理 |
| 5.4.2 试验结果分析 |
| 5.5 基于GA-BP神经网络方法的试验验证 |
| 5.5.1 算法运行参数设置 |
| 5.5.2 训练集及测试集样本获取 |
| 5.5.3 基于GA-BP神经网络的损伤定量分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A:攻读学位期间参与的科研与工程项目 |
（4）基于XGBoost的ECT管道空隙率测量与三维图像重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 ECT国内外研究现状 |
| 1.2.1 ECT系统传感器发展现状 |
| 1.2.2 ECT图像重建算法的研究现状 |
| 1.3 空隙率研究现状 |
| 1.4 ECT技术的工业应用 |
| 1.5 课题来源与主要研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 课题主要研究内容 |
| 第2章 ECT系统组成及正问题求解 |
| 2.1 ECT系统结构组成 |
| 2.1.1 三维传感器单元 |
| 2.1.2 数据采集单元 |
| 2.1.3 图像重建计算机单元 |
| 2.2 ECT系统正问题与敏感场 |
| 2.2.1 ECT技术正问题 |
| 2.2.2 ECT系统敏感场 |
| 2.3 ECT系统正问题仿真 |
| 2.3.1 ECT电场模型及电容值计算 |
| 2.3.2 灵敏度分布计算 |
| 2.4 本章小结 |
| 第3章 基于XGBoost算法的ECT管道空隙率测量 |
| 3.1 两相流中的空隙率概述 |
| 3.2 空隙率测量算法 |
| 3.2.1 XGBoost算法 |
| 3.2.2 Ada Boost算法 |
| 3.3 ECT系统管道空隙率测量 |
| 3.3.1 基于智能算法分类模型的流型识别 |
| 3.3.2 基于智能算法回归模型的空隙率测量 |
| 3.4 本章小结 |
| 第4章 基于DTCWT空隙率BP神经网络算法的三维图像重建 |
| 4.1 图像重建算法理论 |
| 4.1.1 BP神经网络 |
| 4.1.2 双树复小波 |
| 4.2 DTCWT空隙率BP神经网络算法 |
| 4.3 三维图像重建 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间获得的研究成果 |
| 致谢 |
（5）基于有载频率指标和深度学习理论的桥梁损伤识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 桥梁损伤识别的方法及研究现状 |
| 1.2.1 基于目视观测和辅助设备探测的局部损伤识别法 |
| 1.2.2 基于桥梁结构静动力特性的全局损伤识别法 |
| 1.3 现有方法的局限性 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 深度学习理论及其在结构损伤识别中的应用 |
| 2.1 引言 |
| 2.2 深度学习理论 |
| 2.2.1 机器学习的基本概念 |
| 2.2.2 深度学习理论 |
| 2.2.3 基于深度学习理论的损伤识别基本思路 |
| 2.3 常用的深度学习网络简介 |
| 2.3.1 卷积神经网络 |
| 2.3.2 深度信念网络 |
| 2.3.3 堆栈自动编码网络 |
| 2.4 基于堆栈自动编码机的桥梁损伤识别框架 |
| 2.5 本章小结 |
| 3 基于桥梁有载频率变化的损伤识别指标 |
| 3.1 引言 |
| 3.2 基于频率变化的损伤识别方法基本理论 |
| 3.2.1 基本原理 |
| 3.2.2 常见的损伤指标参数 |
| 3.2.3 损伤识别过程及其局限性 |
| 3.3 基于桥梁有载频率变化的损伤识别指标参数 |
| 3.3.1 车桥耦合振动理论 |
| 3.3.2 移动车辆检测法 |
| 3.3.3 损伤识别指标参数 |
| 3.4 简支梁算例分析 |
| 3.4.1 简支梁有载频率的提取 |
| 3.4.2 损伤识别指标参数分析 |
| 3.4.3 损伤识别参数影响因素分析 |
| 3.5 本章小结 |
| 4 基于深度学习理论的桥梁损伤识别研究 |
| 4.1 引言 |
| 4.2 桥梁损伤识别网络的构建及其实现 |
| 4.2.1 堆栈自动编码机网络的构建 |
| 4.2.2 桥梁损伤识别网络的训练方法 |
| 4.2.3 桥梁损伤识别网络的实现 |
| 4.3 桥梁损伤识别模型训练数据库的集成 |
| 4.3.1 数据预处理 |
| 4.3.2 数据噪音误差模拟 |
| 4.4 基于堆栈自动编码机网络的损伤识别研究 |
| 4.4.1 损伤位置识别 |
| 4.4.2 损伤程度识别 |
| 4.4.3 基于SDAE-Softmax的损伤位置识别抗噪性研究 |
| 4.5 本章小结 |
| 5 桥梁损伤识别模型的应用研究 |
| 5.1 引言 |
| 5.2 三跨连续梁桥有载频率的提取 |
| 5.2.1 数值模型简介 |
| 5.2.2 损伤工况的确定以及识别模型训练库的集成 |
| 5.3 三跨连续梁识别参数分析 |
| 5.3.1 损伤位置识别指标参数分析 |
| 5.3.2 损伤程度识别指标参数分析 |
| 5.3.3 建模误差对参数的影响 |
| 5.4 基于堆栈自动编码机网络的连续梁桥损伤识别研究 |
| 5.4.1 损伤位置识别 |
| 5.4.2 损伤程度识别 |
| 5.4.3 基于SDAE-Softmax的损伤位置识别抗噪性研究 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 在读期间的研究成果与参与的科研项目 |
（6）气固流化床流型的表征与识别（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 流型的划分 |
| 1.2.2 流型表征的时域方法 |
| 1.2.3 流型表征的频域方法 |
| 1.2.4 流型表征的状态空间方法 |
| 1.2.5 流型表征方法的比较研究 |
| 1.2.6 流型识别的研究 |
| 1.2.7 压力脉动机理的研究 |
| 1.2.8 研究现状的综合评述 |
| 1.3 研究内容、研究思路及研究目标 |
| 1.3.1 研究内容 |
| 1.3.2 研究思路 |
| 1.3.3 研究目标 |
| 1.4 本章小结 |
| 第二章 气固流化床流型的时域表征—基于压力脉动与气固流动图像的同步测量和分析 |
| 2.1 气固两相流态化实验 |
| 2.1.1 实验装置 |
| 2.1.2 压力脉动与气固流动图像的同步测量 |
| 2.1.3 实验颗粒与操作参数 |
| 2.2 流型的视觉分析 |
| 2.3 流型的时域表征 |
| 2.3.1 标准差–STD |
| 2.3.2 偏度–SKEW |
| 2.3.3 峰度–KURT |
| 2.3.4 平均绝对偏差–AAD |
| 2.3.5 香农熵–IE |
| 2.3.6 脉动区间–CDFFI |
| 2.3.7 Hurst指数–HURST |
| 2.3.8 平均循环时间–ACT |
| 2.3.9 Renyi熵 –RE |
| 2.3.10 Tsallis熵 –TE |
| 2.4 时域表征方法的概述 |
| 2.5 本章小结 |
| 第三章 气固流化床流型的频域表征 |
| 3.1 气固两相流态化实验 |
| 3.2 频域分析的基础理论 |
| 3.2.1 离散傅里叶变换–Discrete Fourier Transform |
| 3.2.2 功率谱密度–Power Spectrum Density |
| 3.2.3 小波变换–Wavelet Transform |
| 3.3 流型的频域表征 |
| 3.3.1 PSD主频–MF |
| 3.3.2 PSD最大功率–MP |
| 3.3.3 PSD平均频率–AF |
| 3.3.4 PSD平均功率–AP |
| 3.3.5 DFT熵 –DFTE |
| 3.3.6 小波熵–WE |
| 3.3.7 小波包熵–WPE |
| 3.3.8 均匀指数–HI |
| 3.4 频域表征方法的概述 |
| 3.5 S变换和TFCI指数 |
| 3.6 本章小结 |
| 第四章 气固流化床流型的状态空间表征 |
| 4.1 气固两相流态化实验 |
| 4.2 状态空间分析的理论基础 |
| 4.2.1 嵌入维数参数m的确定 |
| 4.2.2 滞后时间参数τ的确定 |
| 4.3 流型的状态空间表征 |
| 4.3.1 关联维数–CD |
| 4.3.2 柯尔莫哥洛夫熵–KE |
| 4.3.3 最大李雅普诺夫指数–LY |
| 4.3.4 递归率–RR |
| 4.3.5 确定性–DET |
| 4.3.6 层次性–LAM |
| 4.3.7 样本熵–SE |
| 4.4 状态空间表征方法的概述 |
| 4.5 递归率方法的改进 |
| 4.6 本章小结 |
| 第五章 流型表征通用评价方法的研究 |
| 5.1 气固两相流态化实验 |
| 5.2 压力脉动机理与流型转变机理的研究 |
| 5.2.1 鼓泡床中的压力脉动起源 |
| 5.2.2 湍动床中的压力脉动起源 |
| 5.2.3 压力脉动机理与模型 |
| 5.2.4 从鼓泡床到湍动床的流型转变机理 |
| 5.3 流型表征方法通用评价框架的构建 |
| 5.3.1 流型表征可靠性的定量指标 |
| 5.3.2 实验条件、信号类型对表征方法可靠性的影响 |
| 5.3.3 流型表征方法可靠性评价框架的构建 |
| 5.3.4 流型表征有效性评价方法的构建 |
| 5.4 本章小结 |
| 第六章 基于特征评价框架的流型识别及系统实现 |
| 6.1 模式识别分类器的理论分析 |
| 6.1.1 神经网络模型 |
| 6.1.2 支持向量机 |
| 6.2 基于特征评价框架的流型识别 |
| 6.2.1 流型识别系统的改进 |
| 6.2.2 流型识别系统的性能及外延性分析 |
| 6.3 流型表征和识别软件系统的实现 |
| 6.3.1 系统软件功能设计 |
| 6.3.2 数据采集模块 |
| 6.3.3 流型表征功能模块 |
| 6.3.4 流型识别功能模块 |
| 6.3.5 机理分析模块 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要研究成果及创新 |
| 7.2 进一步研究的展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录 A 方法的可靠性和有效性指标 |
| 附录 B 一些命题 |
| 附录 C 源代码 |
| C.1 一些流型表征方法 |
| C.2 方法的可靠性算法 |
| C.3 方法的有效性算法 |
| 攻读博士期间发表的论文 |
| 鸣谢 |
（7）流化床内生物质与床料颗粒混合流动特性研究及热解过程DEM-CFD数值模拟（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 流化床内生物质与石英砂颗粒混合特性试验研究 |
| 1.3.2 混合颗粒压力脉动特性的非线性分析 |
| 1.3.3 流化床内生物质与床料混合流化的流型识别 |
| 1.3.4 生物质颗粒混合流化特性的模拟研究 |
| 1.3.5 热解动力学模型 |
| 1.3.6 生物质热解过程模拟研究 |
| 1.4 本文研究目标和内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 本文研究路线 |
| 1.6 论文结构 |
| 1.7 本章小结 |
| 参考文献 |
| 第二章 生物质颗粒与石英砂混合流化特性研究 |
| 2.1 引言 |
| 2.2 试验系统介绍 |
| 2.3 试验物料 |
| 2.4 试验工况 |
| 2.5 混合颗粒的流化特性分析 |
| 2.5.1 混合颗粒的床层压降 |
| 2.5.2 生物质与石英砂颗粒混合流化最小流化速度的理论计算 |
| 2.6 混合颗粒的压力脉动信号非线性分析 |
| 2.6.1 Hilbert-Huang变换 |
| 2.6.2 压差脉动信号的Hilbert-Huang变换分析 |
| 2.7 本章小结 |
| 参考文献 |
| 第三章 基于模糊聚类-神经网络算法的流型识别 |
| 3.1 神经网络训练识别系统 |
| 3.2 基于模糊聚类算法建立样本数据库 |
| 3.2.1 聚类数、权重系数的确定 |
| 3.2.2 应用遗传算法优化初始聚类中心函数 |
| 3.3 基于模糊聚类-神经网络算法的流型识别模型 |
| 3.4 流型识别系统模型的建立与应用 |
| 3.4.1 选取聚类模型的特征向量 |
| 3.4.2 确定最佳聚类数、权重系数以及初始聚类中心 |
| 3.4.3 对样本集进行模糊聚类 |
| 3.4.4 训练流型识别系统 |
| 3.4.5 测试流型识别系统 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于欧拉-拉格朗日法的生物质-石英砂颗粒混合流化DEM-CFD模拟研究 |
| 4.1 引言 |
| 4.2 颗粒相模型 |
| 4.2.1 颗粒碰撞模型 |
| 4.2.2 颗粒曳力模型 |
| 4.3 气相模型 |
| 4.4 模型算法 |
| 4.4.1 模拟计算平台 |
| 4.4.2 自适应时间步长 |
| 4.4.3 颗粒局部搜索方法 |
| 4.4.4 模型求解算法 |
| 4.4.5 并行算法优化 |
| 4.5 边界及初始条件的设置 |
| 4.5.1 反应器几何结构及网格划分 |
| 4.5.2 数值计算方法 |
| 4.6 边界条件及参数设置 |
| 4.7 模拟结果及讨论 |
| 4.7.1 瞬时流化状态 |
| 4.7.2 流化床内的压力脉动情况 |
| 4.7.3 宏观尺度下的颗粒流化行为 |
| 4.7.4 介尺度下颗粒的混合流化特性 |
| 4.8 本章小结 |
| 参考文献 |
| 第五章 流化床内生物质热解DEM-CFD模拟研究 |
| 5.1 引言 |
| 5.2 模型概述 |
| 5.3 气相模型 |
| 5.4 颗粒相模型 |
| 5.4.1 颗粒描述方法 |
| 5.4.2 颗粒传热模型 |
| 5.5 热解动力学模型 |
| 5.6 数值模拟对象 |
| 5.6.1 物理模型 |
| 5.6.2 模型参数设定 |
| 5.7 流化床内生物质热解模拟结果及讨论 |
| 5.7.1 模型验证 |
| 5.7.2 不同温度下的热解产物生成率 |
| 5.7.3 不同温度下生物质质量变化 |
| 5.7.4 表观气速对生物质颗粒热解的影响 |
| 5.8 小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文主要创新点 |
| 6.3 本文研究不足及展望 |
| 附录 A |
| 附录 B |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
（8）基于深度信念网络的ECT图像重建算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 ECT技术研究现状 |
| 1.2.2 ECT 图像重建算法研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 主要研究内容及组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 电容层析成像的工作原理 |
| 2.1 ECT系统的组成 |
| 2.2 ECT系统正问题 |
| 2.2.1 正问题的求解 |
| 2.2.2 传感器的仿真及求解 |
| 2.3 ECT逆问题 |
| 2.4 图像质量评价指标 |
| 2.5 仿真结果分析 |
| 2.6 本章小结 |
| 第三章 深度信念网络算法研究 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络基本概念 |
| 3.1.2 BP神经网络的训练过程 |
| 3.1.3 基于BP神经网络的ECT图像重建 |
| 3.1.4 仿真结果分析 |
| 3.2 深度学习 |
| 3.2.1 机器学习方法 |
| 3.2.2 深度学习理论概述 |
| 3.3 深度信念网络 |
| 3.3.1 受限玻尔兹曼机 |
| 3.3.2 深度信念网络的构建 |
| 3.3.3 深度信念网络的改进 |
| 3.3.4 仿真结果分析 |
| 3.4 本章小结 |
| 第四章 基于DBN与极限学习机的ECT图像重建算法研究 |
| 4.1 深度信念网络与极限学习机的融合概念 |
| 4.2 极限学习机理论及算法 |
| 4.3 基于ELM-DBN的 ECT图像重建算法 |
| 4.3.1 基于ELM-DBN的 ECT图像重建总体架构 |
| 4.3.2 基于ELM-DBN的图像重建算法流程 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间科研说明 |
（9）油水两相电容层析成像流型辨识方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 多相流检测技术 |
| 1.2.1 多相流检测技术的目的和意义 |
| 1.2.2 多相流检测技术发展趋势 |
| 1.3 电容层析成像技术的国内外研究现状及发展趋势 |
| 1.3.1 电容层析成像技术国内外研究现状 |
| 1.3.2 电容层析成像技术的发展趋势 |
| 1.3.3 流型辨识的研究现状 |
| 1.4 课题主要研究内容 |
| 第二章 ECT系统的原理及研究方法 |
| 2.1 引言 |
| 2.2 电容层析成像系统结构 |
| 2.2.1 电容传感器系统 |
| 2.2.2 数据采集系统 |
| 2.2.3 图像重建系统 |
| 2.3 电容层析成像系统的理论原理 |
| 2.4 电容层析成像技术的正问题与反问题 |
| 2.4.1 ECT系统的正问题 |
| 2.4.2 ECT系统的逆问题 |
| 2.5 常见的流型辨识方法 |
| 2.5.1 最近邻识别法 |
| 2.5.2 特征提取法 |
| 2.5.3 神经网络法 |
| 2.5.4 压缩感知法 |
| 2.6 本章小结 |
| 第三章 电容传感器的优化设计及分析 |
| 3.1 基于COMSOL的正问题求解 |
| 3.1.1 COMSOL Multiphysics软件简介 |
| 3.1.2 模型建立及仿真 |
| 3.2 传感器结构参数对性能影响 |
| 3.2.1 传感器管道厚度对性能的影响 |
| 3.2.2 传感器电极数目对性能的影响 |
| 3.2.3 传感器电极覆盖率对性能的影响 |
| 3.3 本章小结 |
| 第四章 基于集成学习的油水两相识别方法研究 |
| 4.1 引言 |
| 4.2 机器学习 |
| 4.2.1 常用的机器学习算法 |
| 4.2.2 随机森林算法 |
| 4.3 集成学习 |
| 4.4 集成学习在流型识别中的应用 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 第五章 数据实验分析 |
| 5.1 常用方法的实验分析 |
| 5.1.1 神经网络法实验分析 |
| 5.1.2 基于压缩感知的ECT流型识别方法 |
| 5.2 方法对比实验分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（10）基于神经网络的竖直矩形细通道内沸腾换热汽液两相流型识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 汽液两相流流型识别的主要方法 |
| 1.2.1 流型的直接测量法 |
| 1.2.2 流形的间接测量法 |
| 1.2.3 基于神经网络的流形识别方法 |
| 1.3 本文的主要研究内容 |
| 第二章 细通道内沸腾汽液两相流动的实验研究 |
| 2.1 实验系统简介 |
| 2.2 实验件 |
| 2.3 所需实验仪器及精度 |
| 2.4 实验步骤 |
| 2.4.1 需要测量的参数 |
| 2.4.2 热电偶布置 |
| 2.4.3 温度的测量 |
| 2.4.4 压差的测量 |
| 2.4.5 实验数据 |
| 2.5 实验所观察到的流型 |
| 2.5.1 流型的定义 |
| 2.5.2 实验中观察到的流型 |
| 2.6 本章小结 |
| 第三章 基于连续小波变换的信号处理 |
| 3.1 连续小波变换 |
| 3.1.1 连续小波的二维特征 |
| 3.1.2 连续小波变换的性质 |
| 3.1.3 小波变换的依据 |
| 3.2 连续小波变换的图片处理 |
| 3.2.1 连续小波的GUI |
| 3.2.2 信号的降噪处理 |
| 3.3 本章小结 |
| 第四章 基于神经网络的沸腾汽液两相流流型识别 |
| 4.1 神经网络基本理论 |
| 4.1.1 神经网络发展历程 |
| 4.1.2 神经网络研究内容 |
| 4.1.3 神经元的模型 |
| 4.1.4 神经元的连接方式 |
| 4.2 BP神经网络模型 |
| 4.2.1 BP神经网络基础 |
| 4.2.2 BP神经网络的学习算法 |
| 4.2.3 BP神经网络的流型识别 |
| 4.3 径向基函数网络模型 |
| 4.3.1 径向基函数神经网络基础 |
| 4.3.2 基于径向基神经网络的学习算法 |
| 4.3.3 基于径向基神经网络的流型识别 |
| 4.4 自组织神经网络模型 |
| 4.4.1 自组织神经网络基础 |
| 4.4.2 自组织特征映射神经网络(SOM)结构 |
| 4.4.3 自组织特征映射神经网络学习算法 |
| 4.4.4 基于自组织神经网络的流型识别 |
| 4.5 反馈型神经网络模型 |
| 4.5.1 反馈型神经网络基础 |
| 4.5.2 Elman神经网络学习算法 |
| 4.5.3 基于反馈型神经网络的流型识别 |
| 4.6 流型识别的图形用户界面 |
| 4.6.1 matlab图形用户界面的开发环境 |
| 4.6.2 用户图形界面的实现 |
| 4.7 本章小结 |
| 结论及展望 |
| 5.1 全文总结 |
| 5.2 本文的创新点 |
| 5.3 本文的不足之处 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及申请的专利 |
| 发表学术论文 |
| 申请专利情况 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
四、改进BP神经网络在流型智能识别中的应用（论文参考文献）
- [1]基于群智能算法与机器学习的预测与分类研究[D]. 续婷. 中北大学, 2021(01)
- [2]基于随机森林的气液两相流型识别研究[D]. 刘耀徽. 东北电力大学, 2021(09)
- [3]基于模态信息熵和GA-BP神经网络的桥梁损伤识别研究[D]. 何坤. 兰州理工大学, 2021(01)
- [4]基于XGBoost的ECT管道空隙率测量与三维图像重建[D]. 蒋大杏. 哈尔滨理工大学, 2021
- [5]基于有载频率指标和深度学习理论的桥梁损伤识别研究[D]. 任阳阳. 西安建筑科技大学, 2020(01)
- [6]气固流化床流型的表征与识别[D]. 王建斌. 东南大学, 2020
- [7]流化床内生物质与床料颗粒混合流动特性研究及热解过程DEM-CFD数值模拟[D]. 王恒. 东南大学, 2020
- [8]基于深度信念网络的ECT图像重建算法研究[D]. 孙颖. 中国民航大学, 2020(01)
- [9]油水两相电容层析成像流型辨识方法研究[D]. 马跃. 东北石油大学, 2020(03)
- [10]基于神经网络的竖直矩形细通道内沸腾换热汽液两相流型识别研究[D]. 陈雅群. 山东大学, 2011(04)