基于多源多尺度数据融合的黄河含沙量检测模型研究

摘要

实时检测黄河的含沙量及其分布等信息，可为黄河流域的水土保持、水质评价、河道清淤以及排水排沙等提供决策依据。然而，现有的高悬浮含沙量检测方法在信息的获取、环境影响的消除以及融合模型的构建等方面还存在诸多问题，目前尚无针对黄河高悬浮含沙量实时在线检测的有效方法。
　　随着水利信息技术的发展，多源多尺度数据融合研究已成为黄河含沙量在线检测和数据处理的主要方向之一。在黄河等高悬浮含沙量河流中建立含沙量自动检测系统，除与选用的传感器有关外，还要能适应复杂检测环境以及智能检测的需求，以保证检测系统的准确性和稳定性。现代传感器技术、多源数据融合理论、多尺度分析理论及水利信息可视化技术等极大地提升含沙量检测的水平。因此，开展基于多源多尺度数据融合的含沙量检测研究具有重要的理论意义与实用价值。本文研究了含沙量检测多源多尺度数据融合理论和技术，取得以下主要成果和结论:
　　1.分析和总结了现有的黄河含沙量检测方法和技术，研究了影响黄河含沙量在线检测的环境因素以及不同环境因素下的悬浮泥沙物理本质，论述含沙量检测多源多尺度数据融合处理所需的理论基础。
　　2.针对高悬浮含沙量不同其音频共振频率不同的物理特性，提出了一种基于音频共振方法的含沙量检测多尺度贯序式卡尔曼-温度融合方法，用Kalman滤波器将含沙量信息和温度信息进行有机融合，再根据测量误差来动态地调节小波分解层数，实现了基于音频共振方法的黄河含沙量多尺度动态检测。
　　3.提出了一种利用改进遗传算法(IGA)优化RBF神经网络的方法，建立了基于IGA-RBF的多传感器非线性融合模型，将含沙量信息与温度、深度和流速值作为RBF网络的输入，并用遗传算法对RBF神经网络进行优化，有效地减小了环境因素对黄河含沙量检测的影响。
　　4.构建了基于电容差压法、音频共振法、超声波法和光电法等黄河含沙量在线检测系统，提出了Wavelet-Curvelet的含沙量多源多尺度融合模型，采用基于Wavelet的多尺度分段标量加权融合方法对各个趋势项信息进行融合，同时用Curvelet变换来提取含沙量随温度变化的方向细节信息;最后建立了基于Wavelet-Curvelet的多源多尺度反演模型，将含沙量的趋势项信息和方向细节信息进行重构，实现含沙量多源多尺度最优融合处理。
　　5.综合应用了ZigBee、GPRS等无线传输技术，构建了基于物联网技术的黄河含沙量检测系统，研发了基于LabVIEW的含沙量信息可视化平台，解决多源异构数据组织、管理、高效传输及可视化等关键技术问题，实现了含沙量检测的信息可视化、数据分析、融合处理和数据存储等功能。
　　6.将上述研究成果应用于黄河花园口水文站的悬浮含沙量在线检测中，检验含沙量检测系统的可靠性与准确性，为高悬浮含沙量动态测量提供理论依据与技术支持。

目录

声明

摘要

图索引

表索引

缩写符号对照表

数学符号对照表

1 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 直接测量方法

1．2．2 间接检测方法

1．2．3 含沙量检测的发展动态分析

1．3 研究内容及技术路线

1．3．1 研究内容

1．3．2 技术路线

1．4 论文的组织结构及章节安排

2 含沙量检测多源多尺度数据融合理论基础

2．1 含沙量多源多尺度融合的基本性质

2．2 卡尔曼最优滤波方程

2．3 多传感器融合理论

2．3．1 多传感器融合模型建立

2．3．2 线性最小方差融合模型

2．4 多尺度系统理论

2．4．1 小波多尺度分析

2．4．2 第二代Curvelet多尺度分析

2．5 本章小结

3 音频共振法的含沙量检测多尺度融合模型

3．1 音频共振原理的含沙量检测方法

3．1．1 音频共振含沙量检测传感器

3．1．2 音频共振检测含沙量的原理

3．2 基于音频共振法的含沙量检测系统设计

3．2．1 含沙量检测系统整体架构

3．2．2 音频共振法含沙量检测硬件平台设计

3．2．3 基于LabVIEW的含沙量检测界面设计

3．3 音频共振传感器输出特性分析

3．3．1 实验材料和实验数据

3．3．2 传感器输入输出响应分析

3．3．3 传感器受温度的影响分析

3．3．4 传感器输出信号的多尺度分析

3．4 多尺度贯序式Kalman融合模型

3．4．1 卡尔曼和温度融合模型

3．4．2 动态测量的分块形式描述

3．4．3 分块系统的多尺度表示

3．4．4 测量误差定义及计算

3．4．5 基于误差最小的MSBKTF模型重构

3．5 实验结果及误差分析

3．5．1 小波不同尺度反演的误差分析

3．5．2 多尺度贯序式Kalman融合处理分析

3．5．3 Kalman滤波和一元、多元回归分析比较

3．6 本章小结

4 基于IGA-RBF的含沙量检测多传感器融合模型

4．1 电容式差压法检测含沙量

4．1．1 电容式差压法检测原理

4．1．2 电容式差压传感器

4．1．3 基于电容式差压方法的含沙量检测系统

4．2 环境因素影响分析及测量参数选择

4．2．1 水温变化对测量的影响分析

4．2．2 测点深度对测量结果的影响分析

4．2．3 流速对测量结果的影响分析

4．2．4 测量参数选择

4．3 基于IGA-RBF的多传感器非线性融合模型

4．3．1 基于KBF神经网络的非线性数据融合原理

4．3．2 改进遗传算法优化RBF神经网络参数

4．4 实验结果及误差分析

4．4．1 实验材料和实验数据

4．4．2 一元回归分析

4．4．3 多元线性回归反演和BP融合分析

4．4．4 S-RBF、AGA-RBF和DAGA-RBF的融合处理分析

4．4．5 IGA-RBF融合分析

4．5 本章小结

5 基于Wavelet-Curvelet的含沙量多源多尺度融合模型

5．1 多源含沙量信息序列分析

5．1．1 含沙量信息分解模型

5．1．2 Curvelet含沙量信息分解模型

5．2 含沙量多源多尺度最优融合理论及算法

5．2．1 多源数据卡尔曼滤波

5．2．2 多源多尺度最优融合估计方程

5．2．3 多源多尺度分段标量加权融合模型

5．2．4 多源多尺度分段标量加权融合算法流程

5．3 含沙量分布式多源多尺度融合系统设计

5．3．1 含沙量分布式检测系统整体架构

5．3．2 实验材料和实验数据

5．4 实验结果及误差分析

5．4．1 一元回归分析

5．4．2 Wavelet多源多尺度标量加权融合分析

5．4．3 Curvelet多源多尺度融合分析

5．4．4 Wavelet-Curvelet多源多尺度融合分析

5．5 本章小结

6 黄河含沙量检测系统实现及应用

6．1 黄河含沙量检测硬件平台设计

6．1．1 基于物联网的含沙量在线检测平台

6．1．2 基于PLC的含沙量现场检测系统

6．2 多源异构数据库设计

6．2．1 多途径采集和获取含沙量数据

6．2．2 数据库基本结构设计

6．2．3 基于LabVIEW的数据库设计

6．3 基于LabVIEW的含沙量检测程序设计

6．3．1 含沙量检测界面设计

6．3．2 含沙量单传感器测量程序设计

6．3．3 含沙量多传惑器测量程序设计

6．3．4 含沙量多源多尺度融合程序设计

6．4 系统实际应用及测验结果分析

6．4．1 花园口水文站简介及实验过程

6．4．2 含沙量在线检测结果分析

6．5 本章小结

7 结论与展望

7．1 结论

7．2 展望

参考文献

个人简历、在学期间发表的学术论文与研究成果

致谢