基于机器学习的声发射信号处理算法研究

本书共5章，介绍了声发射信号处理方法、研究现状，结合人工智能发展探讨了机器学习在声发射信号消噪和识别中的应用，研究了K-means聚类算法与小波分析对声发射信号进行去噪的方法，以及小波分析提取声发射信号特征的方法，并利用人工神经网络对声发射信号特征进行分类识别以确定声发射信号的类型。本书介绍了部分人工智能前沿动态，适合声发射信号处理、人工智能方向的研究人员阅读，也可作为相关专业研究生的参考资料。

周俊 正不错工程师，博士（后），1998年考入解放军后勤工程学院，历任火箭军某基地助理工程师、工程师、不错工程师，2018年转业；现任教于重庆商务职业学院，是重庆商务职业学院人工智能技术应用协同创新中心负责人、智能产品开发专业带头人、重庆职业技能大赛专家库专家、重庆市科学技术委员会项目评审专家、重庆市商务委员会专项资金评审专家；主要研究领域为人工智能、图像处理。主持重庆市博士后科研项目和重庆市教委人文社会科学研究项目各1项、重庆市教委重点科技项目2项；主研军队后勤科研项目3项，重庆市科学技术委员会前沿与应用基础研究项目2项，重庆市高等教育教学改革研究项目1项；公开发表论文30余篇，其中SCI论文收录5篇、EI论文收录5篇、北大中文核心期刊收录5篇；出版学术专著2部；授权发明1项、软件著作权3项。

章 绪论 001
1.1 声发射信号基本概念 003
1.2 声发射信号处理方法 005
1.2.1 参数分析法 006
1.2.2 波形分析法 007
1.2.3 模式识别法 008
1.3 人工智能的基本概念 010
1.4 人工智能发展历程 012
1.5 机器学习典型算法 014
1.6 人机器学习应用在声发射信号处理中的意义 019
1.7 声发射信号处理研究现状 021
1.7.1 声发射信号消噪研究现状 021
1.7.2 声发射信号模式识别研究现状 023
1.8 深度学习在声发射信号处理中的应用前景 027
1.9 主要研究内容与总体技术路线 029
1.9.1 主要研究内容 029
1.9.2 总体技术路线 031
第2章 声发射信号采集 033
2.1 冷凝声发射信号采集 035
2.2 腐蚀声发射信号采集 037
2.3 裂纹声发射信号采集 040
2.4 其他噪声声发射源分析 041
第3章 基于K-means聚类算法与小波分析的声发射信号去噪 043
3.1 小波变换基本理论 046
3.2 小波阈值去噪方法 051
3.3 基于K-MEANS聚类算法的小波去噪阈值生成 053
3.3.1 K-means算法简介 053
3.3.2 K-means聚类算法流程 054
3.4 实验结果与分析 056
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 063
4.1 人工神经网络 066
4.1.1 BP神经网络 067
4.1.2 RBF神经网络 067
4.2 基于小波分析的声发射信号特征提取 069
4.3 BP神经网络设计与训练 075
4.3.1 BP神经网络设计 075
4.3.2 BP神经网络算法流程 076
4.4 实验结果与分析 077
4.4.1 隐藏层神经元的确定 077
4.4.2 BP和RBF神经网络识别性能比较 082
第5章 完成的主要研究工作 085
参考文献 089