| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景及意义 | 第10页 |
| 1.2 国内外研究发展现状 | 第10-13页 |
| 1.2.1 管网漏损现状 | 第10-11页 |
| 1.2.2 管网漏损检测的研究现状 | 第11-12页 |
| 1.2.3 城市管网漏损检测的主要方法 | 第12-13页 |
| 1.3 论文的主要工作 | 第13-15页 |
| 第二章 管网在线管理技术 | 第15-24页 |
| 2.1 管网GIS技术 | 第15-16页 |
| 2.1.1 GIS系统平台的前景 | 第15-16页 |
| 2.1.2 GIS系统在管网事故中的应用 | 第16页 |
| 2.2 供水管网SCADA技术 | 第16-17页 |
| 2.2.1 SCADA系统的组成 | 第16-17页 |
| 2.2.2 SCADA技术在管网事故中的应用 | 第17页 |
| 2.3 管网漏损检测定位理论及方法探究 | 第17-22页 |
| 2.3.1 基于DMA结构的泄漏检测定位 | 第17-19页 |
| 2.3.2 逆问题分析 | 第19-22页 |
| 2.4 泄漏定位估计的影响因素探究 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于神经网络的管网漏损识别模型 | 第24-37页 |
| 3.1 神经网络在管网漏损计算的应用 | 第24-26页 |
| 3.1.1 BP神经网络 | 第24-25页 |
| 3.1.2 基于BP神经网络的管网漏损检测模型 | 第25-26页 |
| 3.2 概率神经网络（PNN）在管网漏损检测中的应用研究 | 第26-28页 |
| 3.2.1 模型的原理 | 第26页 |
| 3.2.2 概率神经网络(PNN)数学模型 | 第26-27页 |
| 3.2.3 概率神经网络(PNN)结构 | 第27-28页 |
| 3.3 PNN模型的建立 | 第28-32页 |
| 3.3.1 PNN网络输入层数据的预处理 | 第29页 |
| 3.3.2 PNN网络结构建立 | 第29-32页 |
| 3.4 基于概率神经网络和贝叶斯理论的检测模型 | 第32-36页 |
| 3.4.1 模型的原理 | 第32页 |
| 3.4.2 建立模型的要点 | 第32-33页 |
| 3.4.3 分析检测的数学原理 | 第33-34页 |
| 3.4.4 模型的不确定性和参数的优化 | 第34-35页 |
| 3.4.5 模型实验与结果分析 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 聚类分析在管网分区中的应用研究 | 第37-48页 |
| 4.1 聚类分析理论及数学原理 | 第37-40页 |
| 4.1.1 聚类分析概念 | 第37-38页 |
| 4.1.2 聚类分析数学模型 | 第38页 |
| 4.1.3 聚类分析的一般步骤 | 第38-40页 |
| 4.2 设置试验区 | 第40-44页 |
| 4.2.1 试验区域基本背景 | 第40-43页 |
| 4.2.2 模拟事故点布置 | 第43页 |
| 4.2.3 试验方法 | 第43-44页 |
| 4.3 基于聚类分析理论的管网分区 | 第44-47页 |
| 4.3.1 管网聚类 | 第44-46页 |
| 4.3.2 聚类分析实验结果与分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 管网检测模型的实例应用 | 第48-53页 |
| 5.1 系统体设计 | 第48-50页 |
| 5.1.1 开发工具 | 第48页 |
| 5.1.2 软件功能模块 | 第48-49页 |
| 5.1.3 软件开发接口处理 | 第49-50页 |
| 5.1.4 系统流程图 | 第50页 |
| 5.2 系统主要功能实现 | 第50-52页 |
| 5.3 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 发表文章目录 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附表1 管网泄漏模拟实验的部分实验数据 | 第59-66页 |
| 附表2 聚类分析理论原始数据表 | 第66-69页 |