气液两相流型智能识别新理论及方法PDF|Epub|txt|kindle电子书版本网盘下载

气液两相流型智能识别新理论及方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1．1 两相流的定义和分类1

1．1．1 两相流的定义1

1．1．2 两相流的分类1

1．2 两相流的特点2

1．3 两相流参数检测3

1．3．1 两相流主要检测参数3

1．3．2 两相流参数的分类7

1．3．3 两相流参数检测研究的重要意义7

1．3．4 两相流参数检测技术的发展现状与趋势8

1．4 气液两相流流型识别的研究8

1．4．1 流型研究的工程背景及意义9

1．4．2 国内外气液两相流流型研究的发展和现状9

1．4．3 流型智能识别存在的问题12

参考文献13

第2章 气液两相流型的划分和判别16

2．1 常见流型的划分方法16

2．2 水平管道中的气液两相流型划分18

2．3 水平管道中气液两相流型判别20

2．3．1 基于流型图的流型判别20

2．3．2 流型转换准则24

2．4 气液两相流型的测量方法26

2．4．1 目测法26

2．4．2 高速摄影法27

2．4．3 射线衰减法28

2．4．4 接触式探头法30

2．4．5 过程层析成像法32

2．4．6 压差波动法36

2．5 本章小结37

参考文献37

第3章 气液两相流型压差波动信号的测量42

3．1 实验系统及步骤42

3．2 实验信号与传感器的选择43

3．2．1 实验信号的选择43

3．2．2 差压传感器的选取44

3．3 两相流压差信号的获取44

3．3．1 取压距离的选取44

3．3．2 采样频率的确定45

3．3．3 样本数据长度的确定45

3．4 振动对实验装置的影响46

3．5 实验装置中的噪声分析46

3．5．1 噪声的来源与分类46

3．5．2 实验装置中的噪声47

3．6 实验测得的压差波动信号及分析47

3．7 本章小结50

参考文献50

第4章 基于小波分析的压差波动信号去噪处理52

4．1 小波基本理论52

4．1．1 离散二进小波变换52

4．1．2 基于小波的多分辨分析53

4．1．3 小波分解和重构的Mallat算法54

4．1．4 小波包分解55

4．2 压差波动信号中噪声的辨识56

4．2．1 自相关函数56

4．2．2 压差波动信号的分解57

4．2．3 线性相关性研究57

4．3 小波去噪理论60

4．3．1 基于小波分解的信号去噪60

4．3．2 小波去噪中阈值的选取62

4．3．3 仿真实验63

4．3．4 实测数据处理66

4．4 本章小结70

参考文献70

第5章 基于小波分析的流型压差信号特征提取72

5．1 压差波动信号的Wigner谱分析72

5．1．1 Wigner谱原理72

5．1．2 压差波动信号的Wigner谱分析73

5．2 基于连续小波变换的压差波动信号特征75

5．2．1 连续小波变换75

5．2．2 压差波动信号奇异值特征分析75

5．2．3 压差波动信号奇异值特征提取78

5．3 奇异性特征提取79

5．3．1 Lipschitz指数79

5．3．2 小波变换与Lipschitz指数α80

5．3．3 压差波动信号的奇异性分析结果80

5．4 流型特征提取的小波包方法81

5．4．1 小波包变换81

5．4．2 小波包能量和信息熵提取81

5．5 本章小结83

参考文献83

第6章 基于混沌理论的流型压差信号特征提取85

6．1 混沌与分形理论85

6．1．1 动力系统86

6．1．2 混沌吸引子86

6．2 混沌的研究方法88

6．2．1 分数维89

6．2．2 Kolmogorov熵91

6．3 相空间重构92

6．4 混沌特征参数的计算方法94

6．4．1 G-P算法及其改进94

6．4．2 嵌入维数和延迟时间的选择95

6．4．3 数据长度对关联维数计算的影响98

6．5 混沌研究的辅助方法99

6．5．1 概率密度函数99

6．5．2 功率谱分析99

6．5．3 R／S分析100

6．6 压差波动信号的混沌特征分析101

6．6．1 功率谱分析101

6．6．2 吸引子对各流型的表征102

6．6．3 压差波动信号的关联维数和Kolmogorov熵分析105

6．6．4 压差波动信号的Hurst指数分析107

6．7 流型特征向量的构造109

6．8 本章小结110

参考文献111

第7章 基于Hilbert-Huang变换的流型特征提取114

7．1 Hilbert-Huang变换方法的原理114

7．1．1 特征尺度参数115

7．1．2 瞬时频率115

7．1．3 固有模态函数116

7．1．4 经验模态分解方法117

7．2 基于HHT的动态压差信号波动成分118

7．3 流型压差波动信号的经验模式分解方法119

7．4 流型的EMD能量特征提取120

7．4．1 EMD分解的流型压差信号分析120

7．4．2 EMD分解的流型压差信号能量特征提取123

7．5 本章小结126

参考文献127

第8章 气液两相流动的图像信号测量129

8．1 实验系统及实验步骤129

8．2 图像采集系统的选取130

8．2．1 高速摄影系统的选取130

8．2．2 照明系统的选取131

8．2．3 图像拍摄技术的选取131

8．3 两相流图像信号的获取及分析132

8．4 流型图像的噪声分析及处理133

8．4．1 图像噪声的来源133

8．4．2 图像噪声的消除133

8．5 本章小结135

参考文献135

第9章 气液两相流动的图像信号特征提取137

9．1 基于灰度直方图的流型图像特征提取137

9．1．1 流型图像的灰度直方图137

9．1．2 灰度直方图统计特征参数137

9．2 基于不变矩的流型图像特征提取139

9．2．1 仿射不变矩特征提取139

9．2．2 NMI特征提取140

9．3 基于灰度共生矩阵的流型图像特征提取141

9．3．1 灰度共生矩阵的定义141

9．3．2 灰度共生矩阵的参数特征142

9．4 小波变换的流型图像特征提取143

9．4．1 小波变换多分辨分析原理144

9．4．2 图像能量和范数特征提取145

9．5 基于小波包变换的流型图像特征提取146

9．5．1 图像的小波包分解146

9．5．2 图像信息熵特征提取147

9．5．3 特征矢量的主成分分析149

9．6 本章小结150

参考文献150

第10章 流型的神经网络识别模型152

10．1 神经网络基本理论152

10．1．1 神经元模型152

10．1．2 神经网络的连接形式154

10．1．3 人工神经网络的学习155

10．2 BP神经网络模型156

10．2．1 BP网络的结构156

10．2．2 BP神经网络的算法157

10．2．3 BP模型层数的选择159

10．2．4 隐层节点数的选择159

10．2．5 学习速率的选择161

10．2．6 激励函数的选取162

10．2．7 普通BP算法与快速算法的比较162

10．3 Elman神经网络模型165

10．3．1 Elman神经网络结构165

10．3．2 Elman神经网络学习过程165

10．3．3 Elman神经网络识别流型的实例166

10．4 径向基函数网络模型169

10．4．1 径向基函数网络结构169

10．4．2 径向基函数网络学习过程171

10．4．3 径向基神经网络识别流型的实例172

10．5 概率神经网络模型173

10．5．1 概率神经网络结构173

10．5．2 概率神经网络学习过程174

10．5．3 概率神经网络识别流型的实例175

10．6 Kohonen神经网络的识别模型178

10．6．1 Kohonen神经网络结构178

10．6．2 Kohonen神经网络网络学习过程179

10．6．3 Kohonen网络识别流型的实例179

10．7 本章小结182

参考文献182

第11章 流型的支持向量机模型184

11．1 结构风险最小化原则184

11．2 支持向量机分类理论185

11．2．1 最优分类超平面185

11．2．2 支持向量机分类算法186

11．2．3 支持向量机核函数的选取187

11．2．4 支持向量机参数选择188

11．3 多类支持向量机算法189

11．3．1 “一对多”分类方法189

11．3．2 “一对一”分类方法190

11．4 SVM识别结果分析190

11．4．1 基于压差波动信号的流型识别190

11．4．2 基于图像信号的流型识别191

11．5 支持向量机与神经网络识别模型的比较193

11．5．1 压差波动信号的识别模型比较193

11．5．2 图像信号的识别模型比较193

11．6 本章小结194

参考文献194

第12章 神经网络和证据理论融合的识别方法195

12．1 信度函数195

12．1．1 概率的解释195

12．1．2 识别框架196

12．1．3 基本可信度分配与信度函数196

12．1．4 似真度函数197

12．2 Dempster合成法则198

12．2．1 两个信度函数的合成198

12．2．2 多个信度函数的合成199

12．2．3 证据的折扣199

12．3 基于证据理论的决策200

12．3．1 基于信度函数的决策200

12．3．2 基于基本可信度分配的决策200

12．3．3 基于最小风险的决策200

12．4 证据理论的优缺点201

12．5 证据理论和神经网络融合的识别方法202

12．6 实验结果分析204

12．7 本章小结206

参考文献206

第13章 气液两相流流型在线识别系统208

13．1 在线识别系统结构208

13．2 硬件介绍209

13．2．1 信号测量子系统209

13．2．2 数据采集子系统209

13．3 软件介绍210

13．3．1 软件结构210

13．3．2 软件功能实现211

13．3．3 主要模块的设计及相关功能说明212

13．4 实验结果验证223

13．5 本章小结224

参考文献224