| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-9页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究背景 | 第9-11页 |
| 1.1.1 城市供水管网系统现状 | 第9页 |
| 1.1.2 城市供水管网漏损现状 | 第9-10页 |
| 1.1.3 管网漏损预测研究意义 | 第10-11页 |
| 1.2 漏损预测模型的国内外研究现状 | 第11-14页 |
| 1.2.1 供水管网漏损预测模型 | 第11-13页 |
| 1.2.2 管道安全使用时间预测模型 | 第13页 |
| 1.2.3 管网漏损检测周期预测模型 | 第13-14页 |
| 1.3 研究内容及意义 | 第14-17页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 研究意义 | 第14-17页 |
| 2 嵌套神经网络模型的构建研究 | 第17-33页 |
| 2.1 常规BP神经网络模型的构建 | 第17-22页 |
| 2.1.1 BP神经网络概述 | 第17页 |
| 2.1.2 BP神经网络的拓扑结构 | 第17-19页 |
| 2.1.3 BP神经网络数据的归一化处理 | 第19-20页 |
| 2.1.4 BP神经网络的训练 | 第20-22页 |
| 2.2 嵌套BP神经网络模型的构建 | 第22-25页 |
| 2.2.1 嵌套BP神经网络模型的拓扑结构 | 第22-23页 |
| 2.2.2 嵌套BP神经网络模型的训练 | 第23页 |
| 2.2.3 嵌套BP神经网络模型的识别模式 | 第23-24页 |
| 2.2.4 嵌套BP神经网络泛化能力 | 第24-25页 |
| 2.3 嵌套GMS神经网络模型的构建 | 第25-30页 |
| 2.3.1 嵌套GMS神经网络模型的拓扑结构 | 第25-26页 |
| 2.3.2 嵌套GMS神经网络的内嵌灰度模型 | 第26-29页 |
| 2.3.3 验证嵌套GMS神经网络修正值的马尔可夫模型 | 第29-30页 |
| 2.4 模型的精度检验 | 第30-31页 |
| 2.5 小结 | 第31-33页 |
| 3 嵌套BP神经网络模型在管道安全使用时间上的预测研究 | 第33-45页 |
| 3.1 管道漏损影响因素分析 | 第33-37页 |
| 3.1.1 管道漏损与管材的关系 | 第33-34页 |
| 3.1.2 管道漏损与管径的关系 | 第34-35页 |
| 3.1.3 管道漏损与埋设深度及荷载的关系 | 第35页 |
| 3.1.4 管道漏损与管龄的关系 | 第35-36页 |
| 3.1.5 管道漏损与接口形式的关系 | 第36页 |
| 3.1.6 管道漏损与温度的关系 | 第36-37页 |
| 3.1.7 管道漏损与公路等级的关系 | 第37页 |
| 3.2 嵌套BP神经网络模型在管道安全使用时间上的应用研究 | 第37-39页 |
| 3.2.1 嵌套BP神经网络模型在管道安全使用时间上应用的程序调试 | 第37-38页 |
| 3.2.2 模型精度评价 | 第38-39页 |
| 3.3 嵌套BP神经网络模型在北碚区管道安全使用时间上的预测研究 | 第39-44页 |
| 3.3.1 北碚区管道漏损样本分类 | 第39-42页 |
| 3.3.2 嵌套BP神经网络模型对北碚区管道安全使用时间预测 | 第42页 |
| 3.3.3 嵌套BP神经网络模型对北碚区管道安全使用时间预测结果评价 | 第42-44页 |
| 3.4 小结 | 第44-45页 |
| 4 嵌套GMS神经网络模型在管网检漏周期上的预测研究 | 第45-81页 |
| 4.1 嵌套GMS模型对北碚区2013.01-2014.06月漏损量的预测 | 第45-52页 |
| 4.1.1 GM(1,1)模型在管网漏损量中的预测 | 第47-48页 |
| 4.1.2 Verhulst模型在管网漏损量中的预测 | 第48-49页 |
| 4.1.3 DGM(1,1)模型在管网漏损量中的预测 | 第49页 |
| 4.1.4 嵌套GMS神经网络模型在管网漏损量中的预测 | 第49-52页 |
| 4.2 修正模型对北碚区2014.07-2017.12月管网漏损量的预测 | 第52-60页 |
| 4.2.1 修正嵌套模型对短期(2014.07-2014.12月)漏损量的预测 | 第52-55页 |
| 4.2.2 修正嵌套模型对中长期(2015-2017年)漏损量的预测 | 第55-60页 |
| 4.3 嵌套GMS模型对北碚区2013.01-2014.06月漏损次数的预测 | 第60-67页 |
| 4.3.1 GM(1,1)模型在管网漏损次数中的预测 | 第61-62页 |
| 4.3.2 Verhulst模型在管网漏损次数中的预测 | 第62-63页 |
| 4.3.3 DGM(1,1)模型在管网漏损次数中的预测 | 第63-64页 |
| 4.3.4 嵌套GMS神经网络模型在漏损次数中的预测 | 第64-67页 |
| 4.4 修正模型对北碚区2014.07-2017.12月管网漏损次数的预测 | 第67-74页 |
| 4.4.1 修正嵌套模型对短期2014.07-2014.12月的预测 | 第67-68页 |
| 4.4.2 修正嵌套模型对中长期2015-2017年的预测 | 第68-74页 |
| 4.5 北碚区供水管网漏损优化检测周期的预测研究 | 第74-79页 |
| 4.5.1 供水管网漏损优化检测周期模型的构建 | 第74-75页 |
| 4.5.2 北碚区供水管网漏损优化检测周期的预测 | 第75-77页 |
| 4.5.3 北碚区供水管网漏损优化检测周期的预测结果及评价 | 第77-79页 |
| 4.6 小结 | 第79-81页 |
| 5 结论与建议 | 第81-83页 |
| 5.1 主要结论 | 第81-82页 |
| 5.2 建议 | 第82-83页 |
| 致谢 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 附录 | 第89-96页 |
| A.作者在攻读学位期间发表的论文目录 | 第89页 |
| B.样本数据归一化程序代码和说明 | 第89页 |
| C.常规BP神经网络程序代码 | 第89-90页 |
| D.嵌套BP神经网络程序代码和说明 | 第90-91页 |
| E.GTMS对漏损量模拟的结果 | 第91-92页 |
| F.嵌套GMS神经网络程序代码和说明 | 第92-94页 |
| G.GTMS软件对漏损次数模拟的结果 | 第94-95页 |
| H.月均漏损总控制费用模型程序代码 | 第95-96页 |
