發(fā)布時(shí)間：2023-06-18 01:00

　　近年來,流速測(cè)量在水電資源調(diào)控的過程中扮演了重要的角色。我國(guó)發(fā)展了眾多的農(nóng)村小水電站用以進(jìn)行實(shí)時(shí)的水電調(diào)度。實(shí)際的天然環(huán)境復(fù)雜多變,河道流速往往會(huì)隨季節(jié)、時(shí)間以及地勢(shì)的變化而變化。目前的流速測(cè)量方法盡管取得了良好的效果,但仍存在不足之處。一方面,傳統(tǒng)的人工流速測(cè)量方法在實(shí)際操作中耗費(fèi)了大量人力和物力,且一旦發(fā)生洪澇災(zāi)害或者當(dāng)?shù)匦螐?fù)雜時(shí),專業(yè)測(cè)量人員的安全無法得到可靠保證;另一方面,流行的粒子圖像測(cè)速方法大多需要向天然河道拋撒合適的示蹤粒子,且示蹤粒子的選擇又有諸如環(huán)保性、可行性等條件限制。因此,在盡可能節(jié)約人力成本以及設(shè)備成本的前提下,設(shè)計(jì)和開發(fā)一種新型非接觸式流速測(cè)量方法具有十分重要的意義。隨著大數(shù)據(jù)和深度學(xué)習(xí)時(shí)代的來臨,大數(shù)據(jù)量級(jí)的分類及預(yù)測(cè)已經(jīng)開始應(yīng)用于不同的實(shí)際場(chǎng)景。得益于其強(qiáng)大的特征自學(xué)習(xí)能力,深度學(xué)習(xí)已經(jīng)在模式識(shí)別領(lǐng)域發(fā)揮了舉足輕重的作用。本文從現(xiàn)有常用的流速測(cè)量方法的優(yōu)缺點(diǎn)著手,利用在圖像生成和分類領(lǐng)域已廣泛應(yīng)用的生成式對(duì)抗網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò),探索并設(shè)計(jì)一種全新的非接觸式流速估測(cè)方法,本文的主要工作如下:(1)針對(duì)河流表面紋理特征豐富性不足的問題,為實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)效果,提...

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 水流測(cè)速方法研究現(xiàn)狀
        1.2.2 圖像生成算法研究現(xiàn)狀
        1.2.3 圖像分類方法研究現(xiàn)狀
    1.3 研究?jī)?nèi)容與結(jié)構(gòu)安排
        1.3.1 論文內(nèi)容概述
        1.3.2 論文結(jié)構(gòu)安排
第二章 基于條件邊界平衡生成對(duì)抗網(wǎng)絡(luò)的水流圖像生成
    2.1 引言
    2.2 邊界平衡生成對(duì)抗網(wǎng)絡(luò)算法
    2.3 基于條件邊界平衡GAN的圖像生成
        2.3.1 條件邊界平衡GAN算法實(shí)現(xiàn)
        2.3.2 基于標(biāo)簽信息的圖像生成
        2.3.3 生成圖像驗(yàn)證機(jī)制
    2.4 實(shí)驗(yàn)及分析
        2.4.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        2.4.2 實(shí)驗(yàn)環(huán)境及配置
        2.4.3 不同輸入樣本對(duì)比分析
        2.4.4 驗(yàn)證機(jī)制結(jié)果分析
        2.4.5 標(biāo)簽引導(dǎo)機(jī)制的效果對(duì)比分析
        2.4.6 生成圖像質(zhì)量分析
    2.5 本章小結(jié)
第三章 基于端到端生成對(duì)抗網(wǎng)絡(luò)的水流圖像加霧算法
    3.1 引言
    3.2 端到端的生成對(duì)抗網(wǎng)絡(luò)算法
        3.2.1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 Patch-GAN
    3.3 基于改進(jìn)Pix2Pix的圖像加霧
        3.3.1 改進(jìn)模型損失函數(shù)
        3.3.2 基于U-NET結(jié)構(gòu)的生成器
        3.3.3 判別器模型結(jié)構(gòu)
    3.4 實(shí)驗(yàn)及分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)
        3.4.2 實(shí)驗(yàn)環(huán)境及配置
        3.4.3 不同迭代次數(shù)生成圖像分析
        3.4.4 網(wǎng)絡(luò)損失函數(shù)分析
        3.4.5 不同算法的生成圖像質(zhì)量分析
    3.5 本章小結(jié)
第四章 基于多特征融合的河流表面流速估測(cè)
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)
    4.3 基于多特征融合的流速分類網(wǎng)絡(luò)
        4.3.1 多特征融合
        4.3.2 分類網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 實(shí)驗(yàn)及分析
        4.4.1 實(shí)驗(yàn)對(duì)象
        4.4.2 水流圖像采集
        4.4.3 實(shí)驗(yàn)平臺(tái)配置
        4.4.4 多特征融合效果分析
        4.4.5 自然狀態(tài)流速估測(cè)分析
        4.4.6 加霧狀態(tài)流速估測(cè)分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介
    1 作者簡(jiǎn)歷
    2 攻讀工學(xué)碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
    3 參與的科研項(xiàng)目
    4 發(fā)明專利
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3834473