聲發(fā)射信號(hào)處理算法研究

第1章緒論1
1.1概述1
1.2無損檢測技術(shù)分析3
1.3聲發(fā)射檢測技術(shù)研究現(xiàn)狀及分析5
1.3.1聲發(fā)射檢測技術(shù)概念5
1.3.2聲發(fā)射信號(hào)采集處理系統(tǒng)6
1.3.3聲發(fā)射信號(hào)分析技術(shù)8
1.3.4聲發(fā)射信號(hào)去噪技術(shù)12
1.3.5聲發(fā)射源定位技術(shù)13
1.3.6聲發(fā)射信號(hào)特征參數(shù)提取技術(shù)17
1.3.7聲發(fā)射源識(shí)別技術(shù)19
1.4存在主要問題21

第2章聲發(fā)射信號(hào)傳播特性實(shí)驗(yàn)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(jìn)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(hào)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(hào)傳播實(shí)例分析37
2.3.3聲發(fā)射參數(shù)衰減結(jié)果43
2.3.4聲發(fā)射信號(hào)衰減的諧波小波包分析46
2.4本章小結(jié)51

第3章聲發(fā)射信號(hào)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(jīng)驗(yàn)?zāi)B(tài)分解及去噪原理59
3.3.1經(jīng)驗(yàn)?zāi)B(tài)分解原理59
3.3.2經(jīng)驗(yàn)?zāi)B(tài)分解的濾波特性60
3.3.3經(jīng)驗(yàn)?zāi)B(tài)分解去噪原理62
3.4經(jīng)驗(yàn)?zāi)Ｊ椒纸饧靶〔ńY(jié)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(píng)價(jià)65
3.6仿真實(shí)驗(yàn)及分析66
3.6.1標(biāo)準(zhǔn)信號(hào)去噪實(shí)驗(yàn)66
3.6.2模擬AE信號(hào)去噪實(shí)例分析71
3.7本章小結(jié)73

第4章聲發(fā)射信號(hào)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(jìn)行聲發(fā)射源線性定位81
4.2.4聲發(fā)射源線性定位實(shí)驗(yàn)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(yàn)證90
4.3.4聲發(fā)射源平面定位實(shí)驗(yàn)與分析92
4.4本章小結(jié)99

第5章聲發(fā)射信號(hào)識(shí)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(hào)特征提取101
5.2.1特征評(píng)價(jià)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(shí)別105
5.3.1支持向量機(jī)分類原理106
5.3.2支持向量機(jī)多分類器設(shè)計(jì)109
5.3.3支持向量機(jī)模型參數(shù)優(yōu)化111
5.4仿真分析及實(shí)驗(yàn)驗(yàn)證115
5.4.1基于小生境粒子群算法的SVM參數(shù)優(yōu)化驗(yàn)證115
5.4.2壓斷實(shí)驗(yàn)116
5.4.3諧波小波包分解特征提取驗(yàn)證120
5.4.4支持向量多分類器聲發(fā)射源類型識(shí)別驗(yàn)證122
5.5本章小結(jié)125

參考文獻(xiàn)127