南水北调高填方渠道渗漏监测的多源数据融合模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 理论意义和实用价值 | 第9-10页 |
| 1.2 国内外研究动向及进展 | 第10-11页 |
| 1.2.1 国外研究动向 | 第10页 |
| 1.2.2 国内研究动向 | 第10-11页 |
| 1.3 主要研究内容及章节安排 | 第11-13页 |
| 2 渠道渗漏检测原理及方法 | 第13-19页 |
| 2.1 渠道渗漏检测原理 | 第13-14页 |
| 2.2 常用渠道渗漏检测方法 | 第14-17页 |
| 2.2.1 主流渗漏检测方法 | 第14-17页 |
| 2.2.2 新型渗漏检测方法 | 第17页 |
| 2.3 多源数据融合的渗漏监测方法探讨 | 第17-19页 |
| 3 基于物联网的渗漏监测硬件实现 | 第19-33页 |
| 3.1 硬件系统结构 | 第19-20页 |
| 3.2 MCU及ZigBee协议介绍 | 第20-25页 |
| 3.2.1 CC2530型MCU介绍 | 第20-21页 |
| 3.2.2 ZigBee网络特点及协议栈介绍 | 第21-23页 |
| 3.2.3 ZigBee无线网络电路实现 | 第23-25页 |
| 3.3 GPRS通信模块 | 第25-29页 |
| 3.3.1 模块综述 | 第26页 |
| 3.3.2 主要功能 | 第26-27页 |
| 3.3.3 通信电路实现 | 第27-29页 |
| 3.4 传感器模块及测量电路 | 第29-33页 |
| 3.4.1 终端供电电路 | 第30页 |
| 3.4.2 传感器接口及控制电路 | 第30-33页 |
| 4 高填方渠道渗漏监测模型 | 第33-49页 |
| 4.1 多源渗漏检测模型 | 第33-38页 |
| 4.1.1 多源信息检测装置实验 | 第34-36页 |
| 4.1.2 高密度电阻率检测装置实验 | 第36-38页 |
| 4.2 渗漏级别分类算法模型 | 第38-43页 |
| 4.2.1 RBF神经网络分类算法原理 | 第39-41页 |
| 4.2.2 卡尔曼滤波原理 | 第41-42页 |
| 4.2.3 卡尔曼概率神经网络融合模型 | 第42-43页 |
| 4.3 渗漏信息突变点的G-PNN分类模型 | 第43-44页 |
| 4.4 模型误差分析 | 第44-49页 |
| 4.4.1 渗漏级别分类误差 | 第44-47页 |
| 4.4.2 突变点安全分类误差 | 第47-49页 |
| 5 渗漏监测系统实现与应用 | 第49-57页 |
| 5.1 嵌入式软件设计 | 第49-51页 |
| 5.2 上位机程序实现 | 第51-55页 |
| 5.2.1 服务器端程序设计 | 第51-53页 |
| 5.2.2 客服端程序设计 | 第53-55页 |
| 5.3 设备安装 | 第55-57页 |
| 6 结论与展望 | 第57-59页 |
| 6.1 结论 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 攻读学位期间发表的学术论文 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-65页 |
