编辑推荐
本书提出腐蚀声发射信号识别方法，结合小波变换与神经网络，助力油罐安全评估。
内容简介
本书针对小波阈值去噪方法中阈值设置问题，利用K-means聚类方法对小波分解后的高频系数进行分类，确定去除噪声对应的小波系数阈值，然后进行小波系数重构达到去噪目的。提出基于小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解，将细节特征空间的能量作为声发射信号特征向量。小波方法与神经网络在腐蚀声发射信号识别领域的研究是目前的热点和新方向。本书通过以上的探索性研究，意图为腐蚀声发射信号识别提供理论基础和可靠的方法手段，对于油罐的安全状况评估具有重要意义。
章节目录
封面
前折页
版权信息
内容简介
前言
第1章 绪论
1.1 声发射信号基本概念
1.2 声发射信号处理方法
1.2.1 参数分析法
1.2.2 波形分析法
1.2.3 模式识别法
1.3 人工智能基本概念
1.4 人工智能发展历程
1.5 机器学习典型算法
1.6 机器学习应用在声发射信号处理中的意义
1.7 声发射信号处理研究现状
1.7.1 声发射信号消噪研究现状
1.7.2 声发射信号识别研究现状
1.8 深度学习在声发射信号处理中的应用前景
1.9 主要研究内容与总体技术路线
1.9.1 主要研究内容
1.9.2 总体技术路线
第2章 声发射信号采集
2.1 冷凝水声发射信号采集
2.2 腐蚀声发射信号采集
2.3 裂纹声发射信号采集
2.4 其他噪声声发射源分析
第3章 基于K-means聚类算法与小波分析的声发射信号去噪
3.1 小波变换基本理论
3.2 小波阈值去噪方法
3.3 基于K-means聚类算法的小波去噪阈值生成
3.3.1 K-means算法
3.3.2 小波去噪阈值生成
3.4 实验结果与分析
第4章 基于小波分析与BP神经网络的声发射信号特征提取与识别
4.1 人工神经网络
4.1.1 BP神经网络
4.1.2 RBF神经网络
4.2 基于小波分析的声发射信号特征提取
4.3 BP神经网络设计与训练
4.3.1 BP神经网络设计
4.3.2 BP神经网络算法流程
4.4 实验结果与分析
4.4.1 BP神经网络隐藏层神经元数的确定
4.4.2 BP和RBF神经网络识别性能比较
第5章 完成的主要研究工作
参考文献
后折页
封底
基于机器学习的声发射信号处理算法研究是2021年由电子工业出版社出版,作者 王超。
得书感谢您对《基于机器学习的声发射信号处理算法研究》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
