基于多源多尺度數(shù)據(jù)融合的黃河含沙量檢測模型研究

 緒  論 1
1.1 研究背景和意義 1
1.2 國內(nèi)外研究現(xiàn)狀 3
1.2.1直接測量方法 3
1.2.2 間接檢測方法 4
1.2.3 含沙量檢測的發(fā)展動態(tài)分析 9
1.3 研究內(nèi)容及技術(shù)路線 12
1.3.1 研究內(nèi)容 12
1.3.2技術(shù)路線 13
1.4 論文的組織結(jié)構(gòu)及章節(jié)安排 14
2 含沙量檢測多源多尺度數(shù)據(jù)融合理論基礎(chǔ) 17
2.1含沙量多源多尺度融合的基本性質(zhì) 17
2.2卡爾曼濾波方程 18
2.3 多傳感器融合理論 21
2.3.1 多傳感器融合模型建立 21
2.3.2線性小方差融合模型 22
2.3.3 全局信息無反饋分布式估計(jì)融合算法 24
2.3.4 有反饋分布式估計(jì)融合算法 28
2.4 多尺度系統(tǒng)理論 29
2.4.1 多尺度表示和二叉樹系統(tǒng) 30
2.4.2 小波多尺度分析 33
2.4.3離散小波變換 35
2.4.4 第二代Curvelet多尺度分析 36
2.4.5 基于多尺度分析的多傳感器信息融合算法研究 40
2.4.6 多尺度融合估計(jì)算法 41
2.5 本章小結(jié) 44
3  懸浮含沙量測量原理及方法 45
3.1 含沙量直接測量方法 45
3.2 含沙量間接測量方法 46
3.2.1 射線法 46
3.2.2 紅外線法 47
3.2.3 振動法 48
3.2.4 激光法 48
3.2.5 電容式傳感器測量法 49
3.3  超聲波測量含沙量的工作原理 50
3.3.1 超聲波簡介 50
3.3.2 超聲波的主要物理特性 52
3.3.3 超聲波在含沙水中的傳播機(jī)理 54
3.3.4 懸浮液的衰減 55
3.3.5 超聲波面積比值法測量含沙量 56
3.3.6 檢測方法 58
3.3.7 超聲波含沙量傳感器電路設(shè)計(jì) 59
3.4 物理測沙的基本適用條件和主要影響因素 61
3.4.1 物理測沙感應(yīng)區(qū)的渾水體系 61
3.4.2 渾水中氣泡等雜質(zhì)對穩(wěn)定性的影響 61
3.4.3 溫度變化對測量結(jié)果有影響 62
3.4.4 物理測沙的衡量指標(biāo) 62
3.5 本章小結(jié) 63
4音頻共振法的含沙量檢測多尺度融合模型 64
4.1音頻共振原理的含沙量檢測方法 64
4.1.1 音頻共振含沙量檢測傳感器 64
4.1.2 音頻共振檢測含沙量的原理 65
4.2 基于音頻共振法的含沙量檢測系統(tǒng)設(shè)計(jì) 67
4.2.1含沙量檢測系統(tǒng)整體架構(gòu) 67
4.2.2音頻共振法含沙量檢測硬件平臺設(shè)計(jì) 68
4.2.3 基于LabVIEW的含沙量檢測界面設(shè)計(jì) 69
4.3 音頻共振傳感器輸出特性分析 72
4.3.1 實(shí)驗(yàn)材料和實(shí)驗(yàn)數(shù)據(jù) 72
3.3.2 傳感器輸入輸出響應(yīng)分析 73
4.3.3傳感器受溫度的影響分析 74
4.3.4傳感器輸出信號的多尺度分析 76
4.4 多尺度貫序式Kalman融合模型 77
4.4.1卡爾曼和溫度融合模型 78
4.4.2 動態(tài)測量的分塊形式描述 79
4.4.3 分塊系統(tǒng)的多尺度表示 81
4.4.4 測量誤差定義及計(jì)算 81
4.4.5基于誤差小的MSBKTF模型重構(gòu) 83
4.5 實(shí)驗(yàn)結(jié)果及誤差分析 84
4.5.1 小波不同尺度反演的誤差分析 84
4.5.2 多尺度貫序式Kalman融合處理分析 86
4.5.3 Kalman濾波和一元、多元回歸分析比較 88
4.6 本章小結(jié) 90
5 基于IGA-RBF的含沙量檢測多傳感器融合模型 91
5.1電容式差壓法檢測含沙量 91
5.1.1 電容式差壓法檢測原理 91
5.1.2 電容式差壓傳感器 94
5.1.3 基于電容式差壓方法的含沙量檢測系統(tǒng) 95
5.2 環(huán)境因素影響分析及測量參數(shù)選擇 98
5.2.1 水溫變化對測量的影響分析 98
5.2.2 測點(diǎn)深度對測量結(jié)果的影響分析 99
5.2.3流速對測量結(jié)果的影響分析 100
5.2.4測量參數(shù)選擇 101
5.3 基于IGA-RBF的多傳感器非線性融合模型 101
5.3.1 基于RBF神經(jīng)網(wǎng)絡(luò)的非線性數(shù)據(jù)融合原理 101
5.3.2 改進(jìn)遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù) 102
5.4 實(shí)驗(yàn)結(jié)果及誤差分析 105
5.4.1 實(shí)驗(yàn)材料和實(shí)驗(yàn)數(shù)據(jù) 105
5.4.2 一元回歸分析 106
5.4.3 多元線性回歸反演和BP融合分析 108
5.4.4 S-RBF、AGA-RBF和DAGA-RBF的融合處理分析 109
5.4.5 IGA-RBF融合分析 112
5.5 本章小結(jié) 114
6基于Wavelet-Curvelet的含沙量多源多尺度融合模型 115
6.1 多源含沙量信息序列分析 115
6.1.1 含沙量信息分解模型 115
6.1.2 Curvelet含沙量信息分解模型 116
6. 2含沙量多源多尺度融合理論及算法 117
6.2.1多源數(shù)據(jù)卡爾曼濾波 117
6.2.2 多源多尺度融合估計(jì)方程 118
6.2.3 多源多尺度分段標(biāo)量加權(quán)融合模型 119
6.2.4多源多尺度分段標(biāo)量加權(quán)融合算法流程 120
6.3含沙量分布式多源多尺度融合系統(tǒng)設(shè)計(jì) 121
6.3.1含沙量分布式檢測系統(tǒng)整體架構(gòu) 121
6.3.2 實(shí)驗(yàn)材料和實(shí)驗(yàn)數(shù)據(jù) 122
6.4實(shí)驗(yàn)結(jié)果及誤差分析 124
6.4.1 一元回歸分析 124
6.4.2 Wavelet多源多尺度標(biāo)量加權(quán)融合分析 128
6.4.3 Curvelet多源多尺度融合分析 132
6.4.4 Wavelet-Curvelet多源多尺度融合分析 135
6.5 本章小結(jié) 136
7 基于多模型融合的含沙量測量研究 138
7.1 基于Kalman-BP協(xié)同融合模型的含沙量測量 138
7.1.1 Kalman-BP協(xié)同融合模型應(yīng)用背景 138
7.1.2 信息采集感知層設(shè)計(jì) 139
7.1.3 kalman-BP協(xié)同融合模型設(shè)計(jì) 140
7.1.4 kalman-BP協(xié)同融合誤差分析 143
7.2 基于曲面擬合法的含沙量檢測數(shù)據(jù)融合技術(shù) 146
7.2.1 曲面擬合融合方法 146
7.2.2 曲面擬合的試驗(yàn)標(biāo)定 147
7.2.3 曲面擬合方程待定常數(shù)的確定 147
7.2.4 曲面擬合融合處理及誤差分析 147
7.3 基于物聯(lián)網(wǎng)的黃河含沙量數(shù)據(jù)融合研究 149
7.3.1 物聯(lián)網(wǎng)技術(shù) 149
7.3.2 含沙量檢測的物聯(lián)網(wǎng)框架 149
7.3.3 基于多元回歸分析的數(shù)據(jù)融合 150
7.3.4 多元回歸融合處理 151
7.3.5 多元回歸融合處理誤差分析 153
7.4 基于神經(jīng)網(wǎng)絡(luò)的含沙量數(shù)據(jù)融合原理 154
7.4.1基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合原理 154
7.4.2 神經(jīng)網(wǎng)絡(luò)融合實(shí)驗(yàn)標(biāo)定 155
7.4.3 數(shù)據(jù)處理與誤差分析 156
7.5 基于云計(jì)算的黃河含沙量數(shù)據(jù)融合研究 157
7.5.1 基于云計(jì)算的含沙量測量應(yīng)用背景 157
7.5.2  基于云計(jì)算的數(shù)據(jù)融合平臺 158
7.5.3主成份分析 160
7.5.4 基于GM(1，N)模型的數(shù)據(jù)融合 161
7.5.5  數(shù)據(jù)融合處理與誤差分析 161
7.6 本章小結(jié) 164
8 結(jié)論與展望 191
8.1 結(jié)論 191
8.2 展望 191
參考文獻(xiàn) 193