当前位置:首页 > 数理化
气液两相流型智能识别新理论及方法
气液两相流型智能识别新理论及方法

气液两相流型智能识别新理论及方法PDF电子书下载

数理化

  • 电子书积分:10 积分如何计算积分?
  • 作 者:周云龙,孙斌,陈飞著
  • 出 版 社:北京:科学出版社
  • 出版年份:2007
  • ISBN:9787030199430
  • 页数:225 页
图书介绍:本书探讨气液两相流动特性和油七气水三相流动特性的研究工作。
上一篇:线性代数下一篇:八闽数学思想史稿
《气液两相流型智能识别新理论及方法》目录

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α 80

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

相关图书
作者其它书籍
返回顶部