基于机器学习的城乡统筹供水水质异常检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 水质异常检测技术 | 第11-14页 |
| 1.2.2 水质污染预警技术 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15-18页 |
| 第二章 水质异常检测与评价方法 | 第18-24页 |
| 2.1 饮用水水质标准 | 第18-19页 |
| 2.1.1 地表水环境质量标准 | 第18页 |
| 2.1.2 生活饮用水卫生标准 | 第18-19页 |
| 2.2 水质异常检测算法 | 第19-20页 |
| 2.2.1 水质异常定义 | 第19-20页 |
| 2.2.2 异常检测技术分类 | 第20页 |
| 2.3 水质异常检测一般过程 | 第20-21页 |
| 2.4 水质异常检测评价 | 第21-23页 |
| 2.4.1 水质异常检测评价指标 | 第21-22页 |
| 2.4.2 ROC曲线 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于时间序列模型的水质异常检测方法研究 | 第24-44页 |
| 3.1 时间序列模型 | 第24-27页 |
| 3.1.1 自回归模型 | 第24-26页 |
| 3.1.2 向量自回归模型 | 第26-27页 |
| 3.2 仿真测试数据 | 第27-31页 |
| 3.2.1 水质背景数据 | 第27-29页 |
| 3.2.2 模拟异常 | 第29页 |
| 3.2.3 异常叠加 | 第29-31页 |
| 3.3 基于时间序列模型的水质异常检测 | 第31-37页 |
| 3.3.1 基于自回归模型预测的异常判定 | 第31-33页 |
| 3.3.2 基于向量自回归模型的水质异常检测 | 第33-37页 |
| 3.4 异常检测结果输出 | 第37-39页 |
| 3.5 水质异常检测性能分析 | 第39-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于深度学习的水质异常检测方法研究 | 第44-54页 |
| 4.1 长短期记忆网络 | 第44-47页 |
| 4.1.1 循环神经网络 | 第44-45页 |
| 4.1.2 长期依赖网络 | 第45-46页 |
| 4.1.3 长短期记忆网络 | 第46-47页 |
| 4.2 基于长短期记忆网络的水质异常检测 | 第47-50页 |
| 4.2.1 长短期记忆网络算法步骤 | 第48页 |
| 4.2.2 基于长短期记忆网络的水质异常检测 | 第48-50页 |
| 4.3 水质异常检测性能分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 水质趋势动态模拟 | 第54-58页 |
| 5.1 水质事件动态模拟 | 第54-56页 |
| 5.1.1 突发水质事件模拟示意 | 第54页 |
| 5.1.2 水质事件动态模拟仿真 | 第54-56页 |
| 5.2 水质预测有效性分析 | 第56-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58页 |
| 6.2 工作展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者在攻读硕士学位期间的研究成果 | 第66页 |
