生態(tài)興,則文明興;生態(tài)亡,則文明亡。生態(tài)文明建設(shè)是當(dāng)前“五位一體”總體布局統(tǒng)籌推進(jìn),“四個(gè)全面”戰(zhàn)略布局協(xié)調(diào)推進(jìn)的重要組成部分之一。作為生態(tài)系統(tǒng)中重要的組成部分,水資源的污染防治工作得到政府及社會各界的廣泛關(guān)注。隨著水下無線傳感器網(wǎng)絡(luò)技術(shù)逐漸成熟,自動化的水質(zhì)監(jiān)測系統(tǒng)成為水質(zhì)安全監(jiān)測的有效手段之一。本文基于前期研發(fā)的水下移動機(jī)器仿生魚系統(tǒng),首先針對復(fù)雜的水下環(huán)境,研究并建立了污染物擴(kuò)散模型。然后根據(jù)該模型,提出了一種有效的污染源定位算法。進(jìn)一步,通過對水質(zhì)數(shù)據(jù)的預(yù)處理,提出了一種水污染預(yù)測改進(jìn)算法,對污染源進(jìn)行水質(zhì)追蹤。論文主要工作如下:1)建立了一般多模態(tài)水體污染源擴(kuò)散模型。在研究了不同場景下的污染物擴(kuò)散情況后,綜合考慮了水流動力、擴(kuò)散系數(shù)以及降解系數(shù)等因素,提出一般多模態(tài)污染源擴(kuò)散基本模型。針對機(jī)器仿生魚應(yīng)用場景的多變性,引入邊界衰減系數(shù),實(shí)現(xiàn)多種邊界場景下邊界條件的描述,并通過像源法進(jìn)行求解。在仿真實(shí)驗(yàn)中,驗(yàn)證了各項(xiàng)參數(shù)對污染源擴(kuò)散建模的影響。2)提出一種基于機(jī)器仿生魚的污染源探查定位算法。針對當(dāng)前污染源定位算法過分側(cè)重于路徑規(guī)劃的情況,算法以污染物濃度為優(yōu)化目標(biāo),引入所提一般多... 

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 污染源建模
        1.2.2 污染源定位
        1.2.3 水質(zhì)預(yù)測
    1.3 論文結(jié)構(gòu)及主要研究內(nèi)容
    1.4 章節(jié)小結(jié)
第二章 一般多模態(tài)污染源擴(kuò)散模型研究
    2.1 水環(huán)境建模基本原理
        2.1.1 流體運(yùn)動的基本原理
        2.1.2 污染物擴(kuò)散原理
    2.2 點(diǎn)污染源擴(kuò)散的基本模型
        2.2.1 二維瞬時(shí)點(diǎn)源擴(kuò)散模型
        2.2.2 二維連續(xù)點(diǎn)源擴(kuò)散模型
    2.3 二維連續(xù)點(diǎn)源隨流擴(kuò)散模型
    2.4 邊界條件下二維連續(xù)點(diǎn)源隨流擴(kuò)散模型
        2.4.1 單邊界二維連續(xù)點(diǎn)源隨流擴(kuò)散模型
        2.4.2 雙邊界二維連續(xù)點(diǎn)源隨流擴(kuò)散模型
    2.5 一般多模態(tài)二維污染源擴(kuò)散模型
        2.5.1 問題描述
        2.5.2 一般多模態(tài)水體污染源基本模型建立
        2.5.3 一般多模態(tài)邊界條件求解
    2.6 仿真實(shí)驗(yàn)
        2.6.1 仿真參數(shù)說明
        2.6.2 仿真結(jié)果及分析
    2.7 本章小結(jié)
第三章 基于機(jī)器仿生魚的污染源探查定位算法研究
    3.1 算法理論支持
    3.2 基本知識和問題描述
        3.2.1 問題描述
        3.2.2 基本知識
    3.3 算法關(guān)鍵參數(shù)設(shè)計(jì)
        3.3.1 信息素更新策略
        3.3.2 下一跳節(jié)點(diǎn)的選擇策略
    3.4 算法流程
    3.5 仿真實(shí)驗(yàn)結(jié)果
        3.5.1 仿真參數(shù)說明
        3.5.2 機(jī)器仿生魚數(shù)量的影響
        3.5.3 步長調(diào)整因子的影響
        3.5.4 對比算法討論
    3.6 本章小結(jié)
第四章 基于支持向量機(jī)的水質(zhì)預(yù)測改進(jìn)算法研究
    4.1 算法理論支持
        4.1.1 K-近鄰算法分類
        4.1.2 支持向量機(jī)回歸預(yù)測
    4.2 數(shù)據(jù)預(yù)處理
        4.2.1 異常數(shù)據(jù)處理
        4.2.2 數(shù)據(jù)標(biāo)準(zhǔn)化處理
    4.3 算法設(shè)計(jì)
        4.3.1 基于KNN的水質(zhì)預(yù)分類
        4.3.2 預(yù)測模型參數(shù)選取
    4.4 預(yù)測結(jié)果評價(jià)指標(biāo)
    4.5 實(shí)驗(yàn)結(jié)果與仿真
        4.5.1 基于KNN的水質(zhì)預(yù)分類效果
        4.5.2 最優(yōu)參數(shù)的選擇
        4.5.3 水質(zhì)預(yù)測效果
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的研究成果
致謝



本文編號：3675306