第1章緒論1
1.1概述1
1.2無損檢測技術分析3
1.3聲發(fā)射檢測技術研究現(xiàn)狀及分析5
1.3.1聲發(fā)射檢測技術概念5
1.3.2聲發(fā)射信號采集處理系統(tǒng)6
1.3.3聲發(fā)射信號分析技術8
1.3.4聲發(fā)射信號去噪技術12
1.3.5聲發(fā)射源定位技術13
1.3.6聲發(fā)射信號特征參數(shù)提取技術17
1.3.7聲發(fā)射源識別技術19
1.4存在主要問題21
第2章聲發(fā)射信號傳播特性實驗研究23
2.1引言23
2.2諧波小波包分析原理24
2.2.1二進諧波小波原理24
2.2.2廣義諧波小波原理31
2.3聲發(fā)射信號傳播特性分析36
2.3.1聲發(fā)射波的傳播原理36
2.3.2聲發(fā)射信號傳播實例分析37
2.3.3聲發(fā)射參數(shù)衰減結果43
2.3.4聲發(fā)射信號衰減的諧波小波包分析46
2.4本章小結51
第3章聲發(fā)射信號去噪算法研究52
3.1引言52
3.2小波閾值去噪原理53
3.2.1閾值函數(shù)選擇及閾值優(yōu)化55
3.2.2小波基函數(shù)的確定57
3.3經驗模態(tài)分解及去噪原理59
3.3.1經驗模態(tài)分解原理59
3.3.2經驗模態(tài)分解的濾波特性60
3.3.3經驗模態(tài)分解去噪原理62
3.4經驗模式分解及小波結合去噪原理64
3.4.1IMF-Wavelet去噪原理64
3.4.2EMD-Wavelet去噪原理65
3.4.3Wavelet-EMD去噪原理65
3.5去噪效果評價65
3.6仿真實驗及分析66
3.6.1標準信號去噪實驗66
3.6.2模擬AE信號去噪實例分析71
3.7本章小結73
第4章聲發(fā)射信號智能定位算法研究74
4.1引言74
4.2基于最小二乘支持向量回歸的聲發(fā)射源線性定位方法75
4.2.1最小二乘支持向量回歸原理76
4.2.2基于粒子群算法的LS-SVM回歸的參數(shù)優(yōu)化77
4.2.3利用LS-SVM回歸進行聲發(fā)射源線性定位81
4.2.4聲發(fā)射源線性定位實驗分析83
4.3基于多輸出支持向量回歸的聲發(fā)射源平面定位方法86
4.3.1單輸出支持向量回歸原理87
4.3.2多輸出支持向量回歸原理及算法88
4.3.3多輸出支持向量回歸算法仿真驗證90
4.3.4聲發(fā)射源平面定位實驗與分析92
4.4本章小結99
第5章聲發(fā)射信號識別算法研究100
5.1引言100
5.2基于諧波小波包分解的聲發(fā)射信號特征提取101
5.2.1特征評價方法102
5.2.2諧波小波包分解特征提取步驟103
5.2.3諧波小波包分解頻帶確定104
5.3基于支持向量多分類器的聲發(fā)射源類型識別105
5.3.1支持向量機分類原理106
5.3.2支持向量機多分類器設計109
5.3.3支持向量機模型參數(shù)優(yōu)化111
5.4仿真分析及實驗驗證115
5.4.1基于小生境粒子群算法的SVM參數(shù)優(yōu)化驗證115
5.4.2壓斷實驗116
5.4.3諧波小波包分解特征提取驗證120
5.4.4支持向量多分類器聲發(fā)射源類型識別驗證122
5.5本章小結125
參考文獻127