基于听感知的音频失真和噪声检测

论文摘要

过去几十年,伴随着我国的快速工业化,各地污染事故频发,严重影响了我国的饮用水安全。在美国等其他国家,为了应对突发水污染事件,有关部门开展了利用早期预警系统（EWS）来保护饮用水水源安全的研究。2005年松花江污染事故以后,在第十一个五年计划中,我国政府也开始强调了类似的工作。虽然各地也建设了一些预警系统,然而仍然存在许多问题,如缺少污染监测和精确的数学模型来预测污染事故。由于数据收集的问题,我国目前的污染预警系统在应用层面仍面临挑战。对于基于物理模型的方法,需要大量的数据和计算,存在灵活性不强等问题。近年来,包括基于人工神经网络（ANN）在内的数据驱动模型（DDM）作为一种替代方法,受到了大家的广泛关注。本文采用GA和ANN算法,建立了基于GA-ANN数据驱动模型,应用此模型,建立了新的污染预警系统。在中国南方某市的应用显示,该模型可以满足两个目标。第一个目标是增加城市预警系统的响应时间,利用监测点B上游12公里的监测点A的数据来预测B点的NH3-N、CODmn和TOC。第二个目标是建立监测点A的物化指标数据与毒性指标数据的关系。这两个目标的实现,能够较好的提高水质预警系统的可靠性。本文使用非线性自回归（NARX）方法,利用监测点A的历史数据预测监测点B的NH3-N、COD和TOC。该模型可以确定与上述三个预测指标敏感性最强的输入指标,如预测监测点B的NH3-N时,监测点A最敏感输入变量是TOC、CODmn、TP、NH3-N和浊度,模型计算得平均值（MSE）0.0033、平均百分误差（MPE）6%和回归系数（R）92%;预测监测点B的COD时,监测点A最敏感输入变量是浊度和CODmn,模型计算得平均值（MSE）0.201、平均百分误差（MPE）5%和回归系数（R）0.87;预测监测点B的TOC时,监测点A最敏感输入变量是浊度和CODmn,模型计算得平均值（MSE）0.101、平均百分误差（MPE）2%和回归系数（R）0.94。同时,研究发现,预测监测点A的毒性指标时,使用NARX方法GA-ANN模型预测效果更好,其结果为平均值（MSE）4.3、平均百分误差（MPE）6%和回归系数（R）0.93。但是当延迟时间增加时,因为毒性数据太少,不足以建立较好的GA-ANN模型,模型预测效果并不理想。鉴于我国目前的监测数据现状,应用简单快捷的数据驱动模型,如本文提出的基于数据驱动的GA-ANN模型,能较好的提高预警时间,并具有较好的实用性。同时,对于生物毒性的预测,较高模型的可靠性和充足的历史数据是非常关键的。

论文目录

• 中文摘要
• ABSTRACT
• CHAPTER 1 INTRODUCTION
• CHAPTER 2 LITERATURE REVIEW
• 2.1 Early Warning Systems Components
• 2.2 International experience in Early Warning Systems
• 2.3 State of Early Warning Systems in China
• 2.3.1 China’s Five Year Plans
• 2.3.2 Water Quality Governance and Management
• 2.3.3 Water Quality Monitoring and Early Warning Systems
• 2.3.4 River Basin Management and International Cooperation
• 2.4 Modelling in Early Warning Systems
• 2.4.1 Physically-based models
• 2.4.2 Data Driven Models
• 2.4.3 Applications of Modelling in China
• 2.4.4 Review
• CHAPTER 3 METHODOLOGY
• 3.1 Raw Data Organization and Pre-Processing
• 3.2 ANN Model Development
• 3.2.1 Nonlinear autoregressive with exogenous input （NARX）
• 3.2.2 Nonlinear Input-Output
• 3.3 GA for Input Variable Selection
• 3.3.1 Non-Dominated Sorting Genetic Algorithm-II （NSGA-II）
• 3.4 GA-ANN Model Formulation
• CHAPTER 4 CASE STUDY
• 4.1 Available data and information
• 4.2 Increasing the response time of the city’s early warning system
• 4.2.1 Results
• 4.3 Relating measured physico-chemical variables to corresponding toxicity variable for thecity’s early warning system
• 4.3.1 Results
• CHAPTER 5 CONCLUSION AND RECOMMENDATIONS
• REFERENCES
• ACKNOWLEDGEMENT
• APPENDIX
• RESUME