1、　 本文在大量實驗數據基礎上，將小波變換、混沌理論、神經網絡和數據融合技術應用到流型識別中，從理論和實驗兩個方面，系統地探討了流型的神經網絡智能識別方法。針對識別率不高的問題，將D-S(Dempster-Shafer)證據理論應用到流型識別中，提出了基于神經網絡的多特征融合的流型識別方法。　　 首先利用小波包變換對壓差波動信號進行分解，根據相關性原理對信號中的噪聲進行了辨識，得到頻率大于64Hz的壓差波動信號為噪聲信號。　　

2、 其次，利用Wigner譜對不同流型的壓差波動信號進行時頻二維分析，證實其強非平穩(wěn)性后，將統計理論、小波變換和混沌分形理論應用到流型的特征提取中。利用統計理論對去噪后的壓差波動信號進行分析，計算了信號的均值、標準差、偏斜度、功率譜能量份額四個統計參數，分析了不同流型的變化規(guī)律?！　?最后針對單一特征識別率不高的問題，利用D-S證據理論，提出了多特征融合的流型識別方法。此方法將上述三個局部神經網絡的輸出結果作為D-S證據理論