基于小波和混沌理论的气液两相流流型智能识别方法
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。
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。
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。
气液两相流;流型识别;小波变换;混沌
华北电力大学;华北电力大学(保定)
博士
热能工程
周云龙
2005
中文
O359.1;O174.2
135
2005-11-16（万方平台首次上网日期，不代表论文的发表时间）