学位论文 > 优秀研究生学位论文题录展示

基于小波和混沌理论的气液两相流流型智能识别方法

作　者: 孙斌
导　师: 周云龙
学　校: 华北电力大学（河北）
专　业: 热能工程
关键词: 气液两相流 流型识别 小波变换 混沌 D-S 证据理论 信息融合
分类号: O359.1
类　型: 博士论文
年　份: 2005年
下　载: 708次
引　用: 12次
阅　读: 论文下载
 

内容摘要


气液两相流广泛存在于现代工业生产之中,其流型极大地影响气液两相流的流动和传热特性,同时也影响其他流动参数的准确测量以及两相流系统的运行特性,因此,流型的客观和智能识别一直是两相流参数测量的一个重要研究课题,对指导相关设备的设计和运行具有重要的意义。本文在大量实验数据基础上,将小波变换、混沌理论、神经网络和数据融合技术应用到流型识别中,从理论和实验两个方面,系统地探讨了流型的神经网络智能识别方法。针对识别率不高的问题,将D-S(Dempster-Shafer)证据理论应用到流型识别中,提出了基于神经网络的多特征融合的流型识别方法。首先利用小波包变换对压差波动信号进行分解,根据相关性原理对信号中的噪声进行了辨识,得到频率大于64Hz 的压差波动信号为噪声信号;对小于64Hz 以下的信号进行小波去噪处理,并比较了不同小波母函数、小波阈值规则对去噪效果的影响。针对本文的实验数据,采用”db4”母小波和启发式阈值规则“Heursure”去噪效果最好。其次,利用Wigner 谱对不同流型的压差波动信号进行时频二维分析,证实其强非平稳性后,将统计理论、小波变换和混沌分形理论应用到流型的特征提取中。利用统计理论对去噪后的压差波动信号进行分析,计算了信号的均值、标准差、偏斜度、功率谱能量份额四个统计参数,分析了不同流型的变化规律;在讨论了相空间重构技术和混沌参数计算方法的基础上,计算了压差波动信号的关联维数、Kolmogorov 熵和Hurst 指数三个混沌特征参数,讨论了随折算气速的变化规律;在此之上,将上述7 个特征参数作为流型的一个特征量。再利用小波包变换,对信号进行4 层小波包分解,得到16 个频带信号,提取这16 个信号的小波包能量和信息熵特征,作为流型的两个小波包特征向量。将上述3 个特征向量的训练样本分别送入BP 神经网络、RBF 神经网络、Kohonen 神经网络和SVM 中进行训练,训练好的模型可作为流型识别的分类器。对测试样本的识别结果表明,基于小波包信息熵和RBF 网络的识别效果最好,但与其他组合相比,识别率相差不大。最后针对单一特征识别率不高的问题,利用D-S 证据理论,提出了多特征融合的流型识别方法。此方法将上述三个局部神经网络的输出结果作为D-S 证据理论的证据体,根据D-S 证据融合规则进行信息融合,得到最终的识别结果。与单一特征的识别方法相比,提高了流型识别的准确率。从理论上和技术上为气液两相流流型的识别提供了新方法。

全文目录


中文摘要  5-6
ABSTRACT  6-15
第一章 绪论  15-26
  1.1 课题研究的背景及意义  15
  1.2 气液两相流流型识别的研究进展  15-24
    1.2.1 利用流型图和转变准则关系式识别流型  16-17
    1.2.2 利用测量的方法识别流型  17-22
    1.2.3 流型的神经网络识别方法  22-23
    1.2.4 流型识别存在的问题  23-24
  1.3 本文的主要研究内容  24-26
第二章 实验系统与实验测量结果  26-36
  2.1 实验系统简介  26-27
  2.2 实验步骤  27
  2.3 流动参数的测量  27-31
    2.3.1 实验参数范围  27
    2.3.2 实验参数的测量  27
    2.3.3 实验信号与传感器的选择  27-28
    2.3.4 两相流压差信号的获取  28-29
    2.3.5 振动对实验装置的影响  29-30
    2.3.6 实验装置中的噪声分析  30-31
  2.4 实验所观察到的流型  31-32
    2.4.1 流型的定义  31
    2.4.2 实验中观察到的流型  31-32
  2.5 实验测得的压差波动信号及分析  32-35
  2.6 本章小结  35-36
第三章 基于小波分析的压差波动信号去噪处理  36-56
  3.1 小波基本理论  36-40
    3.1.1 离散二进小波变换  36-37
    3.1.2 基于小波的多分辨分析  37-38
    3.1.3 小波分解和重构的Mallat 算法  38-39
    3.1.4 小波包分解  39-40
  3.2 压差波动信号中噪声的辨识  40-44
    3.2.1 自相关函数  41
    3.2.2 压差波动信号的分解  41-43
    3.2.3 线性相关性研究  43-44
  3.3 小波去噪理论  44-54
    3.3.1 基于小波分解的信号去噪  44-46
    3.3.2 小波去噪中阈值的选取  46-47
    3.3.3 仿真实验  47-50
    3.3.4 实测数据的处理  50-54
  3.4 本章小结  54-56
第四章 基于小波分析的流型特征提取  56-67
  4.1 压差波动信号的WIGNER 谱分析  56-59
    4.1.1 Wigner 谱原理  56-57
    4.1.2 压差波动信号的Wigner 谱分析  57-59
  4.2 基于连续小波变换的压差波动信号特征  59-61
  4.3 奇异性特征提取  61-63
    4.3.1 Lipschitz 指数  61-62
    4.3.2 小波变换与Lipschitz 指数α  62
    4.3.3 压差波动信号的奇异性分析结果  62-63
  4.4 流型特征提取的小波包方法  63-66
    4.4.1 小波包变换  63-64
    4.4.2 小波包能量和信息熵提取  64-66
  4.5 本章小结  66-67
第五章 基于混沌理论的流型特征提取  67-96
  5.1 混沌与分形理论  67-71
    5.1.1 动力系统  68
    5.1.2 混沌吸引子  68-71
  5.2 混沌的研究方法  71-75
    5.2.1 分数维  71-73
    5.2.2 Kolmogorov 熵  73-75
  5.3 相空间重构  75-77
  5.4 混沌特征参数的计算方法  77-82
    5.4.1 G-P 算法及其改进  77-79
    5.4.2 嵌入维数和延迟时间的选择  79-82
    5.4.3 数据长度对关联维数计算的影响  82
  5.5 混沌研究的辅助方法  82-85
  5.6 压差波动信号的混沌特征分析  85-93
    5.6.1 功率谱分析  85-86
    5.6.2 吸引子对各流型的表征  86-88
    5.6.3 压差波动信号的关联维数和Kolmogorov 熵分析  88-91
    5.6.4 压差波动信号的Hurst 指数分析  91-93
  5.7 流型特征向量的构造  93-95
  5.8 本章小结  95-96
第六章 流型的神经网络识别模型  96-121
  6.1 神经网络基本理论  96-101
    6.1.1 神经元模型  96-99
    6.1.2 神经网络的联接形式  99-100
    6.1.3 人工神经网络的学习  100-101
  6.2 BP 神经网络模型  101-110
    6.2.1 BP 网络的结构  101-102
    6.2.2 BP 神经网络的算法  102-104
    6.2.3 BP 模型层数的选择  104
    6.2.4 隐层节点数的选择  104-106
    6.2.5 学习速率的选择  106-107
    6.2.6 激励函数的选取  107
    6.2.7 普通BP 算法与快速算法的比较  107-110
  6.3 径向基函数网络模型  110-113
    6.3.1 基本原理  110-112
    6.3.2 网络的训练  112-113
  6.4 KOHONEN 神经网络的识别模型  113-116
    6.4.1 基本原理  113-114
    6.4.2 网络的训练算法  114
    6.4.3 Kohonen 网络识别流型的实例  114-116
  6.5 支持向量机识别模型  116-120
    6.5.1 基本理论  116-118
    6.5.2 流型识别SVM 模型的建立  118-119
    6.5.3 SVM 识别结果分析  119-120
  6.6 几种识别模型的比较  120
  6.7 本章小结  120-121
第七章 神经网络和证据理论融合的识别方法  121-133
  7.1 信度函数  121-124
    7.1.1 概率的解释  121-122
    7.1.2 识别框架  122
    7.1.3 基本可信度分配与信度函数  122-123
    7.1.4 似真度函数  123-124
  7.2 DEMPSTER 合成法则  124-126
    7.2.1 两个信度函数的合成  124-125
    7.2.2 多个信度函数的合成  125-126
    7.2.3 证据的折扣  126
  7.3 基于证据理论的决策  126-127
    7.3.1 基于信度函数的决策  126-127
    7.3.2 基于基本可信度分配的决策  127
    7.3.3 基于最小风险的决策  127
  7.4 证据理论的优缺点  127-128
  7.5 证据理论和神经网络融合的识别方法  128-130
  7.6 实验结果分析  130-132
  7.7 本章小结  132-133
第八章 结论  133-135
参考文献  135-145
致谢  145-146
个人简历  146-147
攻读博士学位期间发表的学术论文  147-149
攻读博士学位期间参加的科研工作  149

相似论文

  1. 舌体特征的提取及融合分类方法研究,TP391.41
  2. 基于TMS320C6713的SPIHT图像压缩算法研究及实现,TP391.41
  3. 双传感器图像联合目标检测及系统实现研究,TP391.41
  4. 图像的稀疏表示及编码模型研究,TP391.41
  5. 唇读中的特征提取、选择与融合,TP391.41
  6. 多传感器信息融合及其在可穿戴计算机上的应用,TP202
  7. 关于混沌系统同步控制方面的研究,O415.5
  8. 低压电力线载波通信可靠性研究,TM73
  9. 混沌振子多进制调制解调技术研究,TN915.05
  10. 羊绒与羊毛纤维鉴别系统的研究,TS101.921
  11. 具有时滞捕捞项和基于比率的食饵—捕食者模型研究,O175
  12. 基于物联网的农产品安全监控系统与决策系统研究,TP277
  13. 基于图像处理技术的两相流动特性描述,TP391.41
  14. 感觉刺激诱发脑电特征研究,R318.0
  15. 网络传输中的ROI图像编码算法研究,TN919.81
  16. 基于多尺度分析的图像融合算法研究,TP391.41
  17. 基于小波变换的三维模型特征提取技术的研究与实现,TP391.41
  18. 轮廓波变换及其在图像处理中的应用,TP391.41
  19. 数学、耗散结构及混沌中的“系统”与“非系统”差异研究,O415.5
  20. 延迟混沌系统的同步研究及其电路实现,O415.5
  21. 基于小波的雷达视频压缩方法研究,TN957.52

中图分类: > 数理科学和化学 > 力学 > 流体力学 > 多相流 > 液、气（汽）二相流
© 2012 www.xueweilunwen.com