| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 缩写符号对照表 | 第17-19页 |
| 数学符号对照表 | 第19-20页 |
| 1 绪论 | 第20-34页 |
| 1.1 研究背景和意义 | 第20-22页 |
| 1.2 国内外研究现状 | 第22-30页 |
| 1.2.1 直接测量方法 | 第22-23页 |
| 1.2.2 间接检测方法 | 第23-28页 |
| 1.2.3 含沙量检测的发展动态分析 | 第28-30页 |
| 1.3 研究内容及技术路线 | 第30-32页 |
| 1.3.1 研究内容 | 第30-31页 |
| 1.3.2 技术路线 | 第31-32页 |
| 1.4 论文的组织结构及章节安排 | 第32-34页 |
| 2 含沙量检测多源多尺度数据融合理论基础 | 第34-47页 |
| 2.1 含沙量多源多尺度融合的基本性质 | 第34-35页 |
| 2.2 卡尔曼最优滤波方程 | 第35-38页 |
| 2.3 多传感器融合理论 | 第38-42页 |
| 2.3.1 多传感器融合模型建立 | 第38-39页 |
| 2.3.2 线性最小方差融合模型 | 第39-42页 |
| 2.4 多尺度系统理论 | 第42-46页 |
| 2.4.1 小波多尺度分析 | 第42-43页 |
| 2.4.2 第二代Curvelet多尺度分析 | 第43-46页 |
| 2.5 本章小结 | 第46-47页 |
| 3 音频共振法的含沙量检测多尺度融合模型 | 第47-70页 |
| 3.1 音频共振原理的含沙量检测方法 | 第47-50页 |
| 3.1.1 音频共振含沙量检测传感器 | 第47-48页 |
| 3.1.2 音频共振检测含沙量的原理 | 第48-50页 |
| 3.2 基于音频共振法的含沙量检测系统设计 | 第50-53页 |
| 3.2.1 含沙量检测系统整体架构 | 第50-51页 |
| 3.2.2 音频共振法含沙量检测硬件平台设计 | 第51-52页 |
| 3.2.3 基于LabVIEW的含沙量检测界面设计 | 第52-53页 |
| 3.3 音频共振传感器输出特性分析 | 第53-58页 |
| 3.3.1 实验材料和实验数据 | 第53-54页 |
| 3.3.2 传感器输入输出响应分析 | 第54-55页 |
| 3.3.3 传感器受温度的影响分析 | 第55-56页 |
| 3.3.4 传感器输出信号的多尺度分析 | 第56-58页 |
| 3.4 多尺度贯序式Kalman融合模型 | 第58-64页 |
| 3.4.1 卡尔曼和温度融合模型 | 第59-60页 |
| 3.4.2 动态测量的分块形式描述 | 第60-61页 |
| 3.4.3 分块系统的多尺度表示 | 第61-62页 |
| 3.4.4 测量误差定义及计算 | 第62-63页 |
| 3.4.5 基于误差最小的MSBKTF模型重构 | 第63-64页 |
| 3.5 实验结果及误差分析 | 第64-69页 |
| 3.5.1 小波不同尺度反演的误差分析 | 第64-66页 |
| 3.5.2 多尺度贯序式Kalman融合处理分析 | 第66-67页 |
| 3.5.3 Kalman滤波和一元、多元回归分析比较 | 第67-69页 |
| 3.6 本章小结 | 第69-70页 |
| 4 基于IGA-RBF的含沙量检测多传感器融合模型 | 第70-88页 |
| 4.1 电容式差压法检测含沙量 | 第70-75页 |
| 4.1.1 电容式差压法检测原理 | 第70-72页 |
| 4.1.2 电容式差压传感器 | 第72-74页 |
| 4.1.3 基于电容式差压方法的含沙量检测系统 | 第74-75页 |
| 4.2 环境因素影响分析及测量参数选择 | 第75-78页 |
| 4.2.1 水温变化对测量的影响分析 | 第75-76页 |
| 4.2.2 测点深度对测量结果的影响分析 | 第76-77页 |
| 4.2.3 流速对测量结果的影响分析 | 第77页 |
| 4.2.4 测量参数选择 | 第77-78页 |
| 4.3 基于IGA-RBF的多传感器非线性融合模型 | 第78-82页 |
| 4.3.1 基于RBF神经网络的非线性数据融合原理 | 第78-79页 |
| 4.3.2 改进遗传算法优化RBF神经网络参数 | 第79-82页 |
| 4.4 实验结果及误差分析 | 第82-86页 |
| 4.4.1 实验材料和实验数据 | 第82页 |
| 4.4.2 一元回归分析 | 第82-83页 |
| 4.4.3 多元线性回归反演和BP融合分析 | 第83-84页 |
| 4.4.4 S-RBF、AGA-RBF和DAGA-RBF的融合处理分析 | 第84-85页 |
| 4.4.5 IGA-RBF融合分析 | 第85-86页 |
| 4.5 本章小结 | 第86-88页 |
| 5 基于Wavelet-Curvelet的含沙量多源多尺度融合模型 | 第88-107页 |
| 5.1 多源含沙量信息序列分析 | 第88-90页 |
| 5.1.1 含沙量信息分解模型 | 第88-89页 |
| 5.1.2 Curvelet含沙量信息分解模型 | 第89-90页 |
| 5.2 含沙量多源多尺度最优融合理论及算法 | 第90-94页 |
| 5.2.1 多源数据卡尔曼滤波 | 第90-91页 |
| 5.2.2 多源多尺度最优融合估计方程 | 第91-92页 |
| 5.2.3 多源多尺度分段标量加权融合模型 | 第92-93页 |
| 5.2.4 多源多尺度分段标量加权融合算法流程 | 第93-94页 |
| 5.3 含沙量分布式多源多尺度融合系统设计 | 第94-97页 |
| 5.3.1 含沙量分布式检测系统整体架构 | 第94-95页 |
| 5.3.2 实验材料和实验数据 | 第95-97页 |
| 5.4 实验结果及误差分析 | 第97-105页 |
| 5.4.1 一元回归分析 | 第97-99页 |
| 5.4.2 Wavelet多源多尺度标量加权融合分析 | 第99-101页 |
| 5.4.3 Curvelet多源多尺度融合分析 | 第101-104页 |
| 5.4.4 Wavelet-Curvelet多源多尺度融合分析 | 第104-105页 |
| 5.5 本章小结 | 第105-107页 |
| 6 黄河含沙量检测系统实现及应用 | 第107-121页 |
| 6.1 黄河含沙量检测硬件平台设计 | 第107-109页 |
| 6.1.1 基于物联网的含沙量在线检测平台 | 第107-108页 |
| 6.1.2 基于PLC的含沙量现场检测系统 | 第108-109页 |
| 6.2 多源异构数据库设计 | 第109-112页 |
| 6.2.1 多途径采集和获取含沙量数据 | 第109-110页 |
| 6.2.2 数据库基本结构设计 | 第110页 |
| 6.2.3 基于LabVIEW的数据库设计 | 第110-112页 |
| 6.3 基于LabVIEW的含沙量检测程序设计 | 第112-115页 |
| 6.3.1 含沙量检测界面设计 | 第112-113页 |
| 6.3.2 含沙量单传感器测量程序设计 | 第113页 |
| 6.3.3 含沙量多传感器测量程序设计 | 第113-114页 |
| 6.3.4 含沙量多源多尺度融合程序设计 | 第114-115页 |
| 6.4 系统实际应用及测验结果分析 | 第115-120页 |
| 6.4.1 花园口水文站简介及实验过程 | 第115-117页 |
| 6.4.2 含沙量在线检测结果分析 | 第117-120页 |
| 6.5 本章小结 | 第120-121页 |
| 7 结论与展望 | 第121-123页 |
| 7.1 结论 | 第121页 |
| 7.2 展望 | 第121-123页 |
| 参考文献 | 第123-138页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第138-140页 |
| 致谢 | 第140页 |
