本文關(guān)鍵詞：基于經(jīng)驗(yàn)?zāi)B(tài)分解的城市供水水質(zhì)異常事件檢測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：水質(zhì)安全問題關(guān)乎國計(jì)民生,在全世界范圍內(nèi)都受到了廣泛關(guān)注和高度重視。水質(zhì)污染事件發(fā)生往往后果嚴(yán)重,因此,建立水質(zhì)污染物防范機(jī)制及監(jiān)測系統(tǒng)進(jìn)行水質(zhì)污染預(yù)警十分必要。其中,水質(zhì)異常事件檢測算法是水質(zhì)污染監(jiān)測系統(tǒng)的核心。常見的異常檢測算法包括基于統(tǒng)計(jì)分析的算法、聚類分類算法及人工智能算法等。然而,水質(zhì)指標(biāo)時(shí)序自身具有非平穩(wěn)性,且水質(zhì)事件發(fā)生時(shí)尺度具有不確定性,常規(guī)算法針對多尺度事件適應(yīng)性仍然較差,特別是針對長而緩的事件,檢出率較低且誤報(bào)率較高。為了進(jìn)一步挖掘水質(zhì)指標(biāo)時(shí)序來源不同成分的波動特性,并結(jié)合事件的多尺度特性及時(shí)頻變化特征,提升水質(zhì)異常檢測算法的檢出能力和信息利用率,本文提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解的水質(zhì)異常檢測方法,主要論述了經(jīng)驗(yàn)?zāi)B(tài)分解的理論研究、應(yīng)用領(lǐng)域、現(xiàn)有問題及改進(jìn)方案等,并通過仿真分析及與常規(guī)算法對比,驗(yàn)證了提出算法在異常事件檢測方面的有效性。本文的主要工作及創(chuàng)新點(diǎn)如下：1.針對水質(zhì)指標(biāo)時(shí)序中含有來源不同的成分及水質(zhì)異常事件發(fā)生時(shí)的尺度不確定性,提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解及廣義零交叉理論的局部時(shí)間尺度匹配水質(zhì)異常檢測方法。首先將經(jīng)預(yù)處理后的原始水質(zhì)指標(biāo)時(shí)序利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)進(jìn)行信號逐層提取,獲得一系列振動周期逐漸增大的固有模態(tài)函數(shù)(IMF),并分別利用3δ閾值檢測法進(jìn)行異常事件檢測,然后計(jì)算每個(gè)模態(tài)每個(gè)時(shí)間點(diǎn)的局部時(shí)間尺度,從而獲得每個(gè)頻段的平均時(shí)間尺度。對于每個(gè)觀察點(diǎn),計(jì)算其局部動態(tài)時(shí)間,并根據(jù)時(shí)間尺度歸屬的定義計(jì)算其歸屬度,挑選出最敏感的固有模態(tài)函數(shù)進(jìn)行融合事件檢測。該方法能夠針對不同尺度的事件進(jìn)行異常檢測,具有一定的尺度自適應(yīng)性,對于長而緩的水質(zhì)異常事件也具有一定檢測效果。2.針對EMD分解中的模態(tài)混疊及直接融合事件檢測結(jié)果方法忽略了各頻段之間的內(nèi)在聯(lián)系問題,提出了基于聚合經(jīng)驗(yàn)?zāi)B(tài)分解的多維異常事件檢測方法。將水質(zhì)指標(biāo)時(shí)序用聚合模態(tài)分解(EEMD)方法進(jìn)行分解,在挑選出敏感尺度后,利用所選各尺度在每個(gè)時(shí)刻點(diǎn)的值構(gòu)建目標(biāo)特征向量,并利用訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練。對于每個(gè)觀察點(diǎn),計(jì)算其目標(biāo)特征向量至訓(xùn)練集中心的馬氏距離,通過設(shè)置不同的置信度及閾值判定是否發(fā)生異常。該方法能夠抑制由水質(zhì)指標(biāo)時(shí)序信號的非平穩(wěn)性及間歇性等造成的模態(tài)混疊問題,且充分利用了敏感頻段間的內(nèi)在聯(lián)系,具有更好的事件檢測效果。3.針對EEMD在線應(yīng)用時(shí),在被分析信號兩端出現(xiàn)失真或者發(fā)散的邊際效應(yīng)問題,提出了基于極值點(diǎn)對稱延拓的在線EEMD異常事件檢測算法。通過對原始水質(zhì)時(shí)序的極值點(diǎn)進(jìn)行延拓,可以有效防止其在邊界位置失真或振蕩。通過設(shè)置滑動窗,動態(tài)更新被檢測點(diǎn),實(shí)時(shí)利用EEMD進(jìn)行分解,并將當(dāng)前觀察點(diǎn)各IMF函數(shù)值作為目標(biāo)檢測向量,計(jì)算其到訓(xùn)練集中心的馬氏距離是否超出閾值進(jìn)行異常事件判定。該方法通過對EEMD分解邊際效應(yīng)的抑制,提高其進(jìn)行實(shí)時(shí)水質(zhì)異常事件檢測應(yīng)用的準(zhǔn)確性及檢出率。
【關(guān)鍵詞】：水質(zhì)事件檢測 時(shí)頻分析 經(jīng)驗(yàn)?zāi)B(tài)分解 多尺度檢測 模態(tài)混疊 在線檢測
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TU991.21
【目錄】：

• 致謝5-7
• 摘要7-9
• Abstract9-17
• 第1章 緒論17-27
• 1.1 研究背景及意義17-20
• 1.1.1 我國水資源及水污染現(xiàn)狀17-18
• 1.1.2 供水管網(wǎng)面臨的主要問題18-20
• 1.2 水質(zhì)異常檢測的國內(nèi)外研究現(xiàn)狀20-23
• 1.2.1 水質(zhì)異常檢測技術(shù)現(xiàn)狀20-22
• 1.2.2 水質(zhì)異常檢測仍然存在的問題22-23
• 1.3 本文主要研究內(nèi)容23-26
• 1.4 本章小結(jié)26-27
• 第2章 水質(zhì)異常檢測方法及時(shí)頻分析技術(shù)概述27-45
• 2.1 常用術(shù)語定義與概述27-31
• 2.1.1 水質(zhì)指標(biāo)27-28
• 2.1.2 水質(zhì)指標(biāo)波動狀態(tài)及典型波動類型28-31
• 2.2 水質(zhì)異常檢測的技術(shù)關(guān)鍵31-38
• 2.2.1 主要技術(shù)步驟31-32
• 2.2.2 常用水質(zhì)事件檢測算法32-38
• 2.3 異常檢測性能評價(jià)的標(biāo)準(zhǔn)38-41
• 2.3.1 評價(jià)指標(biāo)38-39
• 2.3.2 ROC曲線39-41
• 2.4 時(shí)頻分析41-44
• 2.4.1 時(shí)頻分析技術(shù)概述41-43
• 2.4.2 經(jīng)驗(yàn)?zāi)B(tài)分解方法概述43-44
• 2.5 本章小結(jié)44-45
• 第3章 基于經(jīng)驗(yàn)?zāi)B(tài)分解的尺度自適應(yīng)水質(zhì)異常事件檢測45-71
• 3.1 引言45
• 3.2 基于經(jīng)驗(yàn)?zāi)B(tài)分解的尺度自適應(yīng)水質(zhì)異常事件檢測45-56
• 3.2.1 基于EMD分解的水質(zhì)時(shí)序分解47-51
• 3.2.2 基于廣義零交點(diǎn)法(GZC)的局部時(shí)間尺度自適應(yīng)51-55
• 3.2.3 基于3倍標(biāo)準(zhǔn)差閾值的水質(zhì)異常判定55-56
• 3.3 仿真與結(jié)果56-66
• 3.3.1 仿真數(shù)據(jù)來源56-58
• 3.3.2 基于EMD分解的水質(zhì)指標(biāo)固有模態(tài)函數(shù)提取58-61
• 3.3.3 利用3倍標(biāo)準(zhǔn)差法進(jìn)行水質(zhì)異常判定61-62
• 3.3.4 局部時(shí)間尺度計(jì)算及自適應(yīng)異常事件檢測62-66
• 3.4 討論66-70
• 3.4.1 不同尺度事件的檢出效果66-67
• 3.4.2 與其他方法對比67-70
• 3.5 本章小結(jié)70-71
• 第4章 基于EEMD分解的多尺度異常事件檢測方法研究71-89
• 4.1 引言71-72
• 4.2 基于EEMD的水質(zhì)單指標(biāo)的多尺度異常事件檢測72-78
• 4.2.1 水質(zhì)指標(biāo)的非平穩(wěn)性及間歇性73-75
• 4.2.2 EEMD分解75-76
• 4.2.3 基于馬氏距離(Mahalanobis Distance)的異常事件檢測76-78
• 4.3 仿真與結(jié)果78-82
• 4.3.1 仿真數(shù)據(jù)來源78
• 4.3.2 基于EEMD分解的水質(zhì)指標(biāo)固有模態(tài)函數(shù)提取78-80
• 4.3.3 基于馬氏距離的異常判定80-82
• 4.4 討論82-87
• 4.4.1 EEMD參數(shù)設(shè)置82
• 4.4.2 EEMD和EMD對比82-87
• 4.5 本章小結(jié)87-89
• 第5章 基于EEMD的水質(zhì)異常事件檢測邊際效應(yīng)研究89-103
• 5.1 引言89
• 5.2 EMD及其邊際效應(yīng)89-95
• 5.2.1 邊際效應(yīng)及其產(chǎn)生原因90
• 5.2.2 邊際效應(yīng)抑制算法研究90-95
• 5.3 基于極值點(diǎn)對稱延拓的EEMD水質(zhì)異常事件檢測95-98
• 5.3.1 基于極值點(diǎn)對稱延拓的EEMD分解96-97
• 5.3.2 水質(zhì)異常檢測97-98
• 5.4 仿真數(shù)據(jù)來源98-99
• 5.5 異常檢測結(jié)果與討論99-101
• 5.6 本章小結(jié)101-103
• 第6章 總結(jié)與展望103-105
• 6.1 論文工作總結(jié)103-104
• 6.2 工作展望104-105
• 參考文獻(xiàn)105-110
• 作者在攻讀碩士學(xué)位期間的研究成果110-111
• 作者簡介111

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳燦平;;我國水資源問題的成因分析和對策研究[J];西南民族大學(xué)學(xué)報(bào)(人文社會科學(xué)版);2014年06期

2 陳吉江;毛洪翔;李鵬程;夏國團(tuán);章衛(wèi)軍;;小波分解高、低頻雙自回歸模型及其在水質(zhì)監(jiān)測中的應(yīng)用[J];水利水運(yùn)工程學(xué)報(bào);2014年02期

3 何慧梅;侯迪波;趙海峰;黃平捷;張光新;;基于多因子融合的水質(zhì)異常檢測算法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2013年04期

4 侯迪波;陳s，

本文編號：255706