緒 論1
1.1 研究背景和意義1
1.2 國(guó)內(nèi)外研究現(xiàn)狀3
1.2.1直接測(cè)量方法3
1.2.2 間接檢測(cè)方法4
1.2.3 含沙量檢測(cè)的發(fā)展動(dòng)態(tài)分析9
1.3 研究?jī)?nèi)容及技術(shù)路線12
1.3.1 研究?jī)?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(cè)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卡爾曼最優(yōu)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線性最小方差融合模型22
2.3.3 全局信息無(wú)反饋?zhàn)顑?yōu)分布式估計(jì)融合算法24
2.3.4 有反饋?zhàn)顑?yōu)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(shù)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 多尺度最優(yōu)融合估計(jì)算法41
2.5 本章小結(jié)44
3 懸浮含沙量測(cè)量原理及方法45
3.1 含沙量直接測(cè)量方法45
3.2 含沙量間接測(cè)量方法46
3.2.1 射線法46
3.2.2 紅外線法47
3.2.3 振動(dòng)法48
3.2.4 激光法48
3.2.5 電容式傳感器測(cè)量法49
3.3 超聲波測(cè)量含沙量的工作原理50
3.3.1 超聲波簡(jiǎn)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(cè)量含沙量56
3.3.6 檢測(cè)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(cè)沙的基本適用條件和主要影響因素61
3.4.1 物理測(cè)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(duì)穩(wěn)定性的影響61
3.4.3 溫度變化對(duì)測(cè)量結(jié)果有影響62
3.4.4 物理測(cè)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(cè)多尺度融合模型64
4.1音頻共振原理的含沙量檢測(cè)方法64
4.1.1 音頻共振含沙量檢測(cè)傳感器64
4.1.2 音頻共振檢測(cè)含沙量的原理65
4.2 基于音頻共振法的含沙量檢測(cè)系統(tǒng)設(shè)計(jì)67
4.2.1含沙量檢測(cè)系統(tǒng)整體架構(gòu)67
4.2.2音頻共振法含沙量檢測(cè)硬件平臺(tái)設(shè)計(jì)68
4.2.3 基于LabVIEW的含沙量檢測(cè)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(hào)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(dòng)態(tài)測(cè)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(cè)量誤差定義及計(jì)算81
4.4.5基于誤差最小的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(cè)多傳感器融合模型91
5.1電容式差壓法檢測(cè)含沙量91
5.1.1 電容式差壓法檢測(cè)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(cè)系統(tǒng)95
5.2 環(huán)境因素影響分析及測(cè)量參數(shù)選擇98
5.2.1 水溫變化對(duì)測(cè)量的影響分析98
5.2.2 測(cè)點(diǎn)深度對(duì)測(cè)量結(jié)果的影響分析99
5.2.3流速對(duì)測(cè)量結(jié)果的影響分析100
5.2.4測(cè)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含沙量多源多尺度最優(yōu)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 多源多尺度最優(yōu)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(cè)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(cè)量研究138
7.1 基于Kalman-BP協(xié)同融合模型的含沙量測(cè)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(cè)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(cè)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(cè)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(tái)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
書(shū)單推薦
