基于多源多尺度数据融合的黄河含沙量检测模型研究

 绪  论 1
1.1 研究背景和意义 1
1.2 国内外研究现状 3
1.2.1直接测量方法 3
1.2.2 间接检测方法 4
1.2.3 含沙量检测的发展动态分析 9
1.3 研究内容及技术路线 12
1.3.1 研究内容 12
1.3.2技术路线 13
1.4 论文的组织结构及章节安排 14
2 含沙量检测多源多尺度数据融合理论基础 17
2.1含沙量多源多尺度融合的基本性质 17
2.2卡尔曼滤波方程 18
2.3 多传感器融合理论 21
2.3.1 多传感器融合模型建立 21
2.3.2线性小方差融合模型 22
2.3.3 全局信息无反馈分布式估计融合算法 24
2.3.4 有反馈分布式估计融合算法 28
2.4 多尺度系统理论 29
2.4.1 多尺度表示和二叉树系统 30
2.4.2 小波多尺度分析 33
2.4.3离散小波变换 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传感器信息融合算法研究 40
2.4.6 多尺度融合估计算法 41
2.5 本章小结 44
3  悬浮含沙量测量原理及方法 45
3.1 含沙量直接测量方法 45
3.2 含沙量间接测量方法 46
3.2.1 射线法 46
3.2.2 红外线法 47
3.2.3 振动法 48
3.2.4 激光法 48
3.2.5 电容式传感器测量法 49
3.3  超声波测量含沙量的工作原理 50
3.3.1 超声波简介 50
3.3.2 超声波的主要物理特性 52
3.3.3 超声波在含沙水中的传播机理 54
3.3.4 悬浮液的衰减 55
3.3.5 超声波面积比值法测量含沙量 56
3.3.6 检测方法 58
3.3.7 超声波含沙量传感器电路设计 59
3.4 物理测沙的基本适用条件和主要影响因素 61
3.4.1 物理测沙感应区的浑水体系 61
3.4.2 浑水中气泡等杂质对稳定性的影响 61
3.4.3 温度变化对测量结果有影响 62
3.4.4 物理测沙的衡量指标 62
3.5 本章小结 63
4音频共振法的含沙量检测多尺度融合模型 64
4.1音频共振原理的含沙量检测方法 64
4.1.1 音频共振含沙量检测传感器 64
4.1.2 音频共振检测含沙量的原理 65
4.2 基于音频共振法的含沙量检测系统设计 67
4.2.1含沙量检测系统整体架构 67
4.2.2音频共振法含沙量检测硬件平台设计 68
4.2.3 基于LabVIEW的含沙量检测界面设计 69
4.3 音频共振传感器输出特性分析 72
4.3.1 实验材料和实验数据 72
3.3.2 传感器输入输出响应分析 73
4.3.3传感器受温度的影响分析 74
4.3.4传感器输出信号的多尺度分析 76
4.4 多尺度贯序式Kalman融合模型 77
4.4.1卡尔曼和温度融合模型 78
4.4.2 动态测量的分块形式描述 79
4.4.3 分块系统的多尺度表示 81
4.4.4 测量误差定义及计算 81
4.4.5基于误差小的MSBKTF模型重构 83
4.5 实验结果及误差分析 84
4.5.1 小波不同尺度反演的误差分析 84
4.5.2 多尺度贯序式Kalman融合处理分析 86
4.5.3 Kalman滤波和一元、多元回归分析比较 88
4.6 本章小结 90
5 基于IGA-RBF的含沙量检测多传感器融合模型 91
5.1电容式差压法检测含沙量 91
5.1.1 电容式差压法检测原理 91
5.1.2 电容式差压传感器 94
5.1.3 基于电容式差压方法的含沙量检测系统 95
5.2 环境因素影响分析及测量参数选择 98
5.2.1 水温变化对测量的影响分析 98
5.2.2 测点深度对测量结果的影响分析 99
5.2.3流速对测量结果的影响分析 100
5.2.4测量参数选择 101
5.3 基于IGA-RBF的多传感器非线性融合模型 101
5.3.1 基于RBF神经网络的非线性数据融合原理 101
5.3.2 改进遗传算法优化RBF神经网络参数 102
5.4 实验结果及误差分析 105
5.4.1 实验材料和实验数据 105
5.4.2 一元回归分析 106
5.4.3 多元线性回归反演和BP融合分析 108
5.4.4 S-RBF、AGA-RBF和DAGA-RBF的融合处理分析 109
5.4.5 IGA-RBF融合分析 112
5.5 本章小结 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论及算法 117
6.2.1多源数据卡尔曼滤波 117
6.2.2 多源多尺度融合估计方程 118
6.2.3 多源多尺度分段标量加权融合模型 119
6.2.4多源多尺度分段标量加权融合算法流程 120
6.3含沙量分布式多源多尺度融合系统设计 121
6.3.1含沙量分布式检测系统整体架构 121
6.3.2 实验材料和实验数据 122
6.4实验结果及误差分析 124
6.4.1 一元回归分析 124
6.4.2 Wavelet多源多尺度标量加权融合分析 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 本章小结 136
7 基于多模型融合的含沙量测量研究 138
7.1 基于Kalman-BP协同融合模型的含沙量测量 138
7.1.1 Kalman-BP协同融合模型应用背景 138
7.1.2 信息采集感知层设计 139
7.1.3 kalman-BP协同融合模型设计 140
7.1.4 kalman-BP协同融合误差分析 143
7.2 基于曲面拟合法的含沙量检测数据融合技术 146
7.2.1 曲面拟合融合方法 146
7.2.2 曲面拟合的试验标定 147
7.2.3 曲面拟合方程待定常数的确定 147
7.2.4 曲面拟合融合处理及误差分析 147
7.3 基于物联网的黄河含沙量数据融合研究 149
7.3.1 物联网技术 149
7.3.2 含沙量检测的物联网框架 149
7.3.3 基于多元回归分析的数据融合 150
7.3.4 多元回归融合处理 151
7.3.5 多元回归融合处理误差分析 153
7.4 基于神经网络的含沙量数据融合原理 154
7.4.1基于神经网络的数据融合原理 154
7.4.2 神经网络融合实验标定 155
7.4.3 数据处理与误差分析 156
7.5 基于云计算的黄河含沙量数据融合研究 157
7.5.1 基于云计算的含沙量测量应用背景 157
7.5.2  基于云计算的数据融合平台 158
7.5.3主成份分析 160
7.5.4 基于GM(1，N)模型的数据融合 161
7.5.5  数据融合处理与误差分析 161
7.6 本章小结 164
8 结论与展望 191
8.1 结论 191
8.2 展望 191
参考文献 193