緒 論1

1.1 研究背景和意義1

1.2 國內外研究現狀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 研究內容及技術路線12

1.3.1 研究內容12

1.3.2技術路線13

1.4 論文的組織結構及章節(jié)安排14

2 含沙量檢測多源多尺度數據融合理論基礎17

2.1含沙量多源多尺度融合的基本性質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 全局信息無反饋最優(yōu)分布式估計融合算法24

2.3.4 有反饋最優(yōu)分布式估計融合算法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 多尺度最優(yōu)融合估計算法41

2.5 本章小結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計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 物理測沙感應區(qū)的渾水體系61

3.4.2 渾水中氣泡等雜質對穩(wěn)定性的影響61

3.4.3 溫度變化對測量結果有影響62

3.4.4 物理測沙的衡量指標62

3.5 本章小結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)設計67

4.2.1含沙量檢測系統(tǒng)整體架構67

4.2.2音頻共振法含沙量檢測硬件平臺設計68

4.2.3 基于LabVIEW的含沙量檢測界面設計69

4.3 音頻共振傳感器輸出特性分析72

4.3.1 實驗材料和實驗數據72

3.3.2 傳感器輸入輸出響應分析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 測量誤差定義及計算81

4.4.5基于誤差最小的MSBKTF模型重構83

4.5 實驗結果及誤差分析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選擇98

5.2.1 水溫變化對測量的影響分析98

5.2.2 測點深度對測量結果的影響分析99

5.2.3流速對測量結果的影響分析100

5.2.4測量參數選擇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神經網絡的非線性數據融合原理101

5.3.2 改進遺傳算法優(yōu)化RBF神經網絡參數102

5.4 實驗結果及誤差分析105

5.4.1 實驗材料和實驗數據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多源數據卡爾曼濾波117

6.2.2 多源多尺度最優(yōu)融合估計方程118

6.2.3 多源多尺度分段標量加權融合模型119

6.2.4多源多尺度分段標量加權融合算法流程120

6.3含沙量分布式多源多尺度融合系統(tǒng)設計121

6.3.1含沙量分布式檢測系統(tǒng)整體架構121

6.3.2 實驗材料和實驗數據122

6.4實驗結果及誤差分析124

6.4.1 一元回歸分析124

6.4.2 Wavelet多源多尺度標量加權融合分析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)同融合模型應用背景138

7.1.2 信息采集感知層設計139

7.1.3 kalman-BP協(xié)同融合模型設計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據融合技術146

7.2.1 曲面擬合融合方法146

7.2.2 曲面擬合的試驗標定147

7.2.3 曲面擬合方程待定常數的確定147

7.2.4 曲面擬合融合處理及誤差分析147

7.3 基于物聯網的黃河含沙量數據融合研究149

7.3.1 物聯網技術149

7.3.2 含沙量檢測的物聯網框架149

7.3.3 基于多元回歸分析的數據融合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 基于神經網絡的含沙量數據融合原理154

7.4.1基于神經網絡的數據融合原理154

7.4.2 神經網絡融合實驗標定155

7.4.3 數據處理與誤差分析156

7.5 基于云計算的黃河含沙量數據融合研究157

7.5.1 基于云計算的含沙量測量應用背景157

7.5.2 基于云計算的數據融合平臺158

7.5.3主成份分析160

7.5.4 基于GM(1，N)模型的數據融合161

7.5.5 數據融合處理與誤差分析161

7.6 本章小結164

8 結論與展望191

8.1 結論191

8.2 展望191

參考文獻193