物联网数据融合在智慧管网监控系统中的应用研究
摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第10-13页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 主要研究内容及创新 | 第11-12页 |
1.3 论文组织结构 | 第12-13页 |
第二章 相关基础理论研究 | 第13-30页 |
2.1 智慧管网 | 第13-15页 |
2.1.1 智慧管网的概念 | 第13-14页 |
2.1.2 智慧管网的四个层面 | 第14-15页 |
2.1.3 综合管廊 | 第15页 |
2.2 物联网 | 第15-19页 |
2.2.1 物联网的概念 | 第15-16页 |
2.2.2 物联网的体系架构 | 第16-18页 |
2.2.3 智慧管网的物联网数据特点 | 第18页 |
2.2.4 物联网数据演化机理 | 第18-19页 |
2.3 数据融合 | 第19-24页 |
2.3.1 数据融合定义 | 第19-20页 |
2.3.2 数据融合分类 | 第20-22页 |
2.3.3 数据融合的数据分类 | 第22页 |
2.3.4 数据融合功能模型 | 第22-24页 |
2.3.5 数据融合算法概述 | 第24页 |
2.4 神经网络 | 第24-29页 |
2.4.1 神经网络模型 | 第24-27页 |
2.4.2 神经网络互连结构 | 第27-28页 |
2.4.3 神经网络的训练 | 第28-29页 |
本章小结 | 第29-30页 |
第三章 基于物联网数据融合的智慧管网体系研究 | 第30-37页 |
3.1 总体架构 | 第30-31页 |
3.2 逻辑架构 | 第31-32页 |
3.3 管廊WSN模型 | 第32-33页 |
3.4 数据服务平台模型 | 第33-36页 |
本章小结 | 第36-37页 |
第四章 智慧管网监控系统的物联网数据融合模型研究 | 第37-46页 |
4.1 智慧管网监控系统的物联网数据融合建模方法 | 第37-38页 |
4.2 实时监测的态势评估模型 | 第38-41页 |
4.2.1 管廊态势、态势要素与态势评估的概念 | 第38-39页 |
4.2.2 两级实时监测的态势评估模型 | 第39-41页 |
4.3 预警报警的威胁评估模型 | 第41-44页 |
4.3.1 威胁评估、威胁要素的概念 | 第41-43页 |
4.3.2 预警报警的威胁评估模型 | 第43-44页 |
4.4 泄漏诊断的数据融合模型 | 第44-45页 |
本章小结 | 第45-46页 |
第五章 物联网数据融合的BP算法改进 | 第46-68页 |
5.1 BP神经网络 | 第46-54页 |
5.1.1 BP神经网络模型 | 第46-47页 |
5.1.2 BP算法原理 | 第47-49页 |
5.1.3 BP算法步骤 | 第49-50页 |
5.1.4 BP算法的缺陷 | 第50-51页 |
5.1.5 BP算法改进综述 | 第51-54页 |
5.2 BP神经网络算法的改进 | 第54-58页 |
5.2.1 自适应学习率调整 | 第54-55页 |
5.2.2 进一步改进 | 第55-57页 |
5.2.3 附加动量法 | 第57-58页 |
5.2.4 改进的BP算法 | 第58页 |
5.3 改进BP算法的有效性验证 | 第58-67页 |
5.3.1 实验背景 | 第59页 |
5.3.2 BPIDA算法模型 | 第59-63页 |
5.3.3 实验分析 | 第63-67页 |
本章小结 | 第67-68页 |
第六章 改进的BP算法在智慧管网监控系统中的应用 | 第68-73页 |
6.1 智慧管网监控系统的总体设计 | 第68-69页 |
6.2 智慧管网监控系统的模块实现 | 第69-72页 |
6.2.1 网络训练模块 | 第69页 |
6.2.2 实时监测模块 | 第69-70页 |
6.2.3 预警报警模块 | 第70-71页 |
6.2.4 泄漏诊断模块 | 第71-72页 |
本章小结 | 第72-73页 |
第七章 总结与展望 | 第73-75页 |
7.1 总结 | 第73-74页 |
7.2 展望 | 第74-75页 |
参考文献 | 第75-78页 |
附录 改进的动量-自适应学习率算法的代码 | 第78-79页 |
攻读硕士学位期间发表的学术论文 | 第79-80页 |
致谢 | 第80页 |