一種潮汐河流地區取水口鹹潮短期預測方法
2023-06-06 12:31:01 2
專利名稱：一種潮汐河流地區取水口鹹潮短期預測方法
技術領域：
本發明屬於市政工程的給排水領域，涉及針對潮汐河流取水口受鹹潮入侵影響來預測潮汐河流地區取水口鹹潮短期變化的方法。
背景技術：
潮汐河流是沿海城市的主要水源，潮汐河流徑流量隨季節而變化，在每年10月至 次年4、5月的枯水期期間，由於徑流量較豐水期小很多，潮汐河流受鹹潮影響嚴重，如長江 和珠江的河口地區在每年枯水期常遭受鹹潮侵襲。根據國家水源水質標準《地表水環境質 量標準》(GB 3838-2002)，當鹹度氯離子濃度(以下簡稱「鹹度」)超過250mg/L時，水源水 質超標，對沿岸城市居民生活用水會造成重要影響，很多沿海城市通過修建水庫、長距離調 水等工程措施建立了多水源原水輸配系統來保障城市供水安全，這對城市原水系統調度運 行提出了更高的要求，而潮汐河流每日取水的時間和空間分布是確定原水系統調度方案的 主要影響因素，因此科學預測潮汐河流取水口受鹹潮影響程度尤為重要，是原水系統安全 運行的重要保障。鹹潮發生的機理十分複雜，受上遊來水量、洋流、海平面變化、風向風力等自然因 素和河道疏浚、非法挖沙、上遊水庫建設等人工因素的影響，鹹潮預測建模問題中影響系統 輸出變量的因子眾多，影響因子與輸出變量之間的關係也十分複雜。目前國內外潮汐河流 地區鹹潮預測模型可分為宏觀模型和微觀模型。微觀模型研究是通過建立水流連續方程、 水流運動方程和氯化物輸移擴散方程等來建立河道鹹度變化數學模型，使用模型模擬河口 鹹度變化。宏觀模型研究主要運行統計學方法和進化算法等建立鹹潮預測模型。早期的統 計模型缺乏自適應性，模型更新困難，模型的不確定性問題往往導致模型擬合歷史資料的 精度較高，而模型的預測檢驗精度不穩定。微觀模型建模和校核過程複雜，模型需要經常維 護，對數據類型、數量和精度都有較高的要求。為了科學地發揮沿海城市原水系統「避鹹蓄淡」和保障水質安全的功能，合理調度 原水系統運行，通過系統調查研究潮汐河流理論和數據分析，識別原水系統取水口處的鹹 度變化規律，探尋了海平面變化、上遊來水量、風向、河流斷面形狀等因素影響，對取水口鹹 度、水位、上遊流量變化規律和影響因素之間的關係進行分析。將具有強大非線性計算功能 的BP神經網絡和全局優化能力的RAGA算法結合，建立了基於BP-RAGA耦合神經網絡的日 鹹潮預測模型，預測潮汐河流取水口受鹹潮影響狀況，輔助制定鹹期原水系統調度方案。國內外對於潮汐河流鹹潮預測的研究較少，以下是兩個有代表性的鹹潮預測研 究(1)研究 1 G. J. Bowden, H. R. Maier, G. C. Dandy, 2005. Input determination for neural networkmodels in water resources applications. Part 2.Case study !forecasting salinity ina river.Journal of Hydrology. Vol. 301,93-107.研究目的=Murray河是澳大利亞南澳地區最重要的地表水源，為了保障枯水期這一地區的城市供水、農業用水和水力發電，需要研究枯水期潮汐河流地區受鹹潮影響情況， 最大限度地降低鹹潮對該地區的影響。技術措施建立基於人工神經網絡(ANN)的14天鹹度預測模型，應用偏互信息方 法(Partial mutual information, PMI)和自組織遺傳廣義自回歸方法(S0M-GAGRNN)來選 擇預測模型的輸入變量。實際效果通過採用以上技術可以預測未來14天鹹度變化趨勢，但是對於原水泵 站來說，日平均鹹度不能反映當日可取水情況，欠缺指導意義。(2)研究 2:Hongbing Sun, Manfred Koch,2001. CASE STUDY Analysis and forecasting of salinityin apalachicola bay, florida, using box—jenkins ARIMA models. Journal of HydraulicEngineering. 127(9),718-727.研究目的Apalachicola河口位於美國佛羅裡達州西北部，Btt鄰墨西哥灣，是美 國最重要的牡蠣生產基地之一，河口鹹度直接影響牡蠣的生長，需要研究枯水期河口地區 鹹潮影響情況，為通過水利構築物調節出庫淡水量來維持河口生態提供科學依據。技術措施建立基於自回歸求和滑動平均模型(ARIMA)的鹹度預測模型。實際效果通過應用以上技術可以預測未來1小時鹹度變化趨勢，但是對於原水 泵站來說，該預測模型的時間尺度太短，也不能反映當日可取水情況，欠缺指導意義。
發明內容
本發明通過系統調查研究潮汐河口理論和數據分析，識別原水系統取水口處的鹹 度變化規律，建立了一種取水口原水鹹度短期預測方法。通過分析上遊水文監測站流量、取 水口當日潮位差、歷史不能取水小時及日平均鹹度等影響因素，建立了 BP-RAGA耦合神經 網絡鹹潮預測模型，可以分別預測第二日取水口不能取水小時及日平均鹹度，其預測結果 為制定原水調度預案提供科學依據。本發明提出的鹹潮預測應用了 RAGA算法和BP神經網絡，使用了創新的技術方案 和技術手段，來達到和實現河口地區鹹潮預測的目的和效果。為達到上述目的，本發明的解決方案是一種基於BP-RAGA耦合神經網絡的潮汐河流地區取水口鹹潮短期預測方法，通過 分析上遊水文監測站流量、取水口當日潮位差、日不能取水小時及日平均鹹度等影響因素， 建立BP-RAGA耦合神經網絡鹹潮預測模型，可預測各取水口日不能取水小時及日平均鹹 度。在預測基礎上確定各取水口的可取水時間和可取水量、內河湧水閘開啟和關閉時間等， 從而確定第二天潮汐河流原水取水量的時間和空間分布，結合原水系統優化調度模型，最 終制定原水系統調度預案，保障原水系統安全運行，確保城市供水安全。進一步，包括以下步驟(1)獲取鹹潮預測影響因素及歷史數據，確定神經網絡預測模型結構和參數，對數 據進行前處理；(2)使用實碼加速遺傳算法(RAGA算法)對神經網絡的初始權值進行優化；(3)利用誤差反向傳播算法(BP算法)對神經網絡進行訓練；(4)利用RAGA算法對神經網絡進行訓練；
(5)判斷神經網絡訓練是否結束，如未結束，轉入步驟(3)，否則轉入步驟(6)；(6)利用訓練結束後的神經網絡模型進行鹹潮預測。該方法可以實現預測各取水口日不能取水小時和日平均鹹度的功能，其中日不 能取水小時是指預測日取水口時平均鹹度超過國家水源水質標準《地表水環境質量標準》 (GB3838-2002)規定250mg/L的小時數之和，其中日平均鹹度是指預測日一天的平均鹹度， 單位是mg/L。所述的取水口日不能取水小時預測模型的影響因素是指前一日取水口不能取水 小時、前一日上遊水文監測站流量和前一日取水口潮位差；所述的取水口日平均鹹度預測 模型的影響因素是指前一日取水口平均鹹度、前一日上遊水文監測站流量和前一日取水 口潮位差。所述的步驟(1)包括對所有影響因素的數據歸一化到0. 1到0. 9之間的過程。所 述的神經網絡包括1個輸入層、1個隱含層和1個輸出層。所述的神經網絡輸入層有3個神經元、隱含層有5個神經元、輸出層有1個神經 元。所述的神經網絡隱含層和輸出層神經元傳遞函數均採用sigmoid函數。所述的神經網 絡首先啟用RAGA算法來優化神經網絡初始權值，再對完成初始權值優化的神經網絡進行 訓練。所述的對神經網絡所採用的訓練方法是BP算法和RAGA算法，在BP算法訓練神經網 絡一定次數時時啟用RAGA算法來加速訓練神經網絡，之後再用BP算法訓練神經網絡，如 此反覆多次，加快神經網絡收斂速度，提高神經網絡的預測精度。，BP算法訓練神經網絡和 RAGA算法訓練神經網絡子流程分別見圖2。在步驟(5)中，如果神經網絡預測模型訓練次數達到最大次數時結束訓練，使用 完成訓練的神經網絡進行鹹潮預測。在步驟(6)中，利用訓練後的神經網絡進行預測時，先將樣本數據歸一化到0. 1和 0. 9之間，再進行輸入，將網絡運算後的輸出值進行反歸一化，即得到鹹潮預測值。本發明提出的基於BP-RAGA耦合神經網絡的鹹潮短期預測方法，所需歷史數據較 少，可以準確快速地預測潮汐河流地區鹹潮變化。利用本發明，只需收集必需的歷史數據， 就可以建立鹹潮預測模型，通過計算機仿真試驗和科學預測，從而減少人工預測的工作量 和風險，提高預測質量，為原水系統調度提供科學依據，保障原水安全供應。
圖1是BP-RAGA耦合神經網絡鹹潮預測模型總流程圖。圖2是BP-RAGA耦合神經網絡鹹潮預測模型計算流程圖。圖3是BP-RAGA耦合神經網絡日平均鹹度預測結果圖。圖4是BP-RAGA耦合神經網絡日不能取水小時預測結果圖。
具體實施例方式本發明的技術方案設計結構請參見圖1。整個系統包括如下工作步驟1、系統初始化(1)網絡結構確定。對於BP神經網絡，任何在閉區間的一個連續函數都可以用單 隱層的BP網絡逼近，因此一個三層BP網絡可以完成任意n維到m維的映射，所以選擇3層BP神經網絡進行鹹潮預測。選擇最佳隱含層神經元數可參考如下公式formula see original document page 6(1)其中k——為樣本數；nffl——為隱含層神經元數；nj——為輸入層神經元數。nm = h + n, + a(2)其中ni——為輸出層神經元數。a——為[1，10]之間的常數。= log2(3)因此確定使用具有3層結構的神經網絡，其中輸入層有3個神經元，隱含層有5個 神經元，輸出層有1個神經元。(2)數據預處理。輸入輸出樣本數據矩陣為Ixki，tkl ；i = l-n.,1 = l-ni,k = l*"nk}，則矩陣中任一元素經如下公式歸一化到
內xfa=0.1+r0.8.卜、--(A(4)。=0.1+m(5)式中ni，ni，nk——分別為輸入層神經元數量、輸出層神經元數量和樣本的數量。xki——第k個樣本第i個輸入樣本；tkl——第k個樣本第1個輸出樣本；max(xki)，min(xki)——輸入層訓練樣本中的最大值和最小值；max(tkl)，min(tkl)——輸出層訓練樣本中的最大值和最小值。(3)其他參數設置。輸入層和隱含層的閾值e都設為-1 ；輸入層和隱含層之間的權值 ，j = 1，2…5，i = 1,2,3 ；隱含層和輸出層的權值!\」，1 = 1，j = 1，2…5。2、利用RAGA算法優化神經網絡初始權值(1)設置初始參數和目標函數群體大小為300，進化代數為30，移民個體取15， 優秀個體取20。設定目標函數formula see original document page 6(6)式中——第1個輸出層神經元計算值；(2)優化變量初始變化區間的構造。RAGA算法優化的是神經網絡的初始權值，給 每個網絡權值Wji，賦予一個W，l]內的隨機數。(3)父代群體編碼，採用實數編碼方式，即利用如下公式進行編碼9U) = a{j) + y{j){b{j)-a{j)) ( j=l，2，…，p )(7)式中p——優化變量數目；[a(j),b(j)]——第j個變量的變化區間；y(j)——針對第j個變量的隨機產生的介於
之間的隨機數。(4)計算父代群體的目標函數值。設群體規模為n，對父代群體進行編碼，再經式 (6)得到相應的目標函數值f(i)，把{f(i)}按從小到大排序，對應的個體{y(j，i)}也跟著 排序，將最前面的15個個體稱為移民個體。(5)父代個體的適應能力評價。定義排序後第i個父代個體的適應度函數值F(i) 為 f(0=7(O^T⑻(6)選擇操作。產生第1個子代群體{yl(j，i) | j = 1，2，…，p;i = l，2，…， n}，採取輪盤賭選擇方法，則父代個體y(j，i)的選擇概率ps(i)為ps(i) = F(i)/^F(i)(9)令衝『)=1><幻，則序列{p(i) |i = 1,2, -,n}把W，l]區間分成n個子區間，
k=l
這些子區間與n個父代個體一一對應。生成n-15個介於W，l]之間的隨機數lu(k) |k = 1,2,…，n-15}，若 u(k)在(p(i-l)，p(i)]中，則第 i 個個體 y(j，i)被選中，即 yl(j，k) = y(j，i)。這樣從父代群體{y(j，i)}中以概率ps(i)選擇第i個個體，共選擇n-15個個 體。並把步驟(4)產生的15個移民個體直接加進子代群體中，即yl(j，n-15+i) =y(j，i)， i = 1-15。(7)雜交操作，採用中間重組方法。產生第2個子代群體{y2(j，i) | j = 1,2,-", P ；i = 1,2,…，n}。雜交操作根據式(9)的選擇概率隨機選擇一對父代個體y(j，il)和 y(j，i2)作為雙親，並進行如下隨機線性組合，產生一個子代個體y2(j，i)=+ (1 - U\)y(j,i2),u3 < 0.5 1(⑶) y2(j, i) = u2y{j, H) + (1 _ u2)y(j, il), w3^0.5j式中ul，u2和u3都是介於W，l]的隨機數。通過這樣的雜交操作，共產生n個子 代個體。(8)變異操作。產生第3個子代群體{y3(j，i) | j = 1,2,…，p ；i = 1,2,…，n}。 採用P個隨機數以pm⑴=l-ps(i)的概率來代替個體y(j，i)，從而得到子代個體y3(j， i), j = 1,2,…，p。艮formula see original document page 7式中，u(j) (j = 1,2,…，p)和um均為介於
的隨機數。(9)演化迭代。由前面的步驟(6) 步驟⑶得到的3n個子代個體，按其適應度 函數值從大到小進行排序，取排在最前面的n個子代個體作為下一次演化的父代群體。(10)加速循環。每一次迭代產生的20個優秀個體所對應的變化區間作為變量新 的初始變化區間，同時保留最優秀的個體，轉入步驟(3)。如此循環，直至算法運行達到預定循環次數，把當前群體中最佳個體指定為最終結果。3、利用BP算法訓練神經網絡(1)從第一個樣本k = 1開始訓練，計算隱含層和輸出層計算值。隱含層計算公式formula see original document page 8(12)輸出層計算公式formula see original document page 8(13)式中f—傳遞函數，採用sigmoid函數formula see original document page 8Wji——隱含層神經元j和輸入層神經元i之間的權值；ffi0——輸入層閾值，設為-1 ；、——輸出層神經元1和隱含層神經元j之間的權值；T10——隱含層閾值，設為-1 ；Yj——隱含層j神經元計算值；0X——輸出層1神經元計算值。(2)誤差計算。其中輸出層誤差公式formula see original document page 8)(14)隱含層誤差公式formula see original document page 8(15)(3)輸入層_隱含層權值修正，其中隱含層權值修正formula see original document page 8 (16)其中a——動量項，a G (0,1)；n——學習係數，n G (0，1)。隱含層閾值權值修正formula see original document page 8 (17)(4)隱含層-輸出層權值修正，其中輸出層權值修正formula see original document page 8 (18)輸出層閾值權值修正formula see original document page 8 (19)(5)設h = h+l，直到該樣本所有訓練次數巧訓練完畢。設k = k+l，直到所有訓 練樣本nk訓練完畢。4、利用RAGA算法訓練神經網絡除了子步驟(2)、(3)，其餘步驟均同步驟2。(2)優化變量初始變化區間的構造。RAGA算法優化的是BP算法訓練後的網絡權 值…(包括隱含層和輸出層權值)，則它們的變化區間構造為[ ，b』，其中formula see original document page 8 (20)
式中d——為一正常數，d G [2，10]；p——優化變量的數量，即所有的隱含層和輸出層權數量，p = (rij+l) Xnm+ (nm+l) Xn10(3)父代群體的編碼。採用實數編碼形式，對於初始群體，將BP算法訓練後的所 有神經網絡權值作為一個個體，其餘個體按照公式(7)隨機產生。5、判斷訓練是否結束當訓練次數達到規定次數時，訓練結束。6、利用完成訓練的神經網絡進行鹹潮預測所有樣本訓練結束後得到包含最終修正權值的神經網絡，使用該神經網絡進行預 測，輸出結果經過反歸一化處理可以得到預測值0X = 1. 25X (OfO. 1) X [max (tx) -min (tx) ] +min (tx) (21)圖1的總流程圖中，系統通過神經網絡初始化、網絡權值優化、BP算法訓練網絡、 RAGA算法訓練網絡、訓練結束判斷和鹹潮預測六個階段步驟實現。圖2的計算流程圖給出 了每個步驟的詳細說明。下面結合兩個實施案例對本發明的基於BP-RAGA耦合神經網絡鹹 潮預測方法做出詳細說明。案例一、日鹹度預測案例本發明的基於BP-RAGA耦合神經網絡鹹潮預測方法，結合日平均鹹度預測案例， 包括如下步驟(1)確定預測對象的影響因素。在本案例中，平崗取水口鹹度的主要影響因素為前一日的平均鹹度、潮位差和上 遊水文監測站流量。在訓練和預測前，將所有輸入和輸出數據值歸一化到0. 1到0. 9之間。(2)建立BP-RAGA耦合神經網絡預測模型所述的神經網絡為輸入層、隱含層和輸出層構成的3層神經網絡。其中輸入層有 3個神經元、隱含層有5個神經元、輸出層有1個神經元。隱含層和輸出層傳遞函數採用 sigmoid函數，函數輸出對應0到1的一個連續區域。(3)對神經網絡進行訓練所述的對神經網絡進行訓練是指，將每日的平崗取水口日平均鹹度、潮位差和上 遊水文監測站流量作為一組數據，取2004年-2009年10月鹹期數據作為訓練樣本。BP算 法訓練100000次，RAGA算法訓練25次後結束訓練，訓練均方根誤差為201mg/L。(4)利用神經網絡進行預測利用完成訓練的神經網絡預測2009年11-12月的每日平均鹹度，首先將樣本數據 歸一化到0. 1和0. 9之間，再輸入到神經網絡中，將網絡運算後的輸出進行反歸一化，就得 到鹹潮預測值，預測結果見圖3，預測均方根誤差為363mg/L。案例二、鹹度超標時預測本發明的基於BP-RAGA耦合神經網絡鹹潮預測方法，結合取水口不能取水小時預 測案例，包括如下步驟(1)確定預測對象的影響因素。在本案例中，平崗取水口鹹度日超標時的主要影響因素為前一日的不能取水小 時、潮位差和上遊水文監測站流量。在訓練和預測前，將輸入輸出數據值歸一化到0. 1到
90.9之間。(2)建立BP-RAGA耦合神經網絡預測模型所述的神經網絡為輸入層、隱含層和輸出層構成的3層神經網絡。其中輸入層有3個神經元、隱含層有5個神經元、輸出層有1個神經元。隱含層和輸出層傳遞函數採用 sigmoid函數，函數輸出對應0到1的一個連續區域。(3)對神經網絡進行訓練所述的對神經網絡進行訓練是指，將每日的平崗取水口不能取水小時、潮位差和 上遊水文監測站流量作為一組數據，取2004年-2009年10月鹹期數據作為訓練樣本。BP 算法訓練100000次，RAGA算法訓練25次後結束訓練，訓練均方根誤差為3. 5小時。(4)利用神經網絡進行預測利用完成訓練的神經網絡預測2009年11-12月每日鹹度超標時數，首先將樣本數 據歸一化到0. 1和0. 9之間，再輸入到神經網絡中，並將神經網絡運算後的輸出進行反歸一 化，就得到鹹潮預測值，預測結果見圖4，預測均方根誤差為3. 7小時。預測結果說明，BP-RAGA耦合神經網絡鹹潮預測模型對訓練和預測都有較好的預 測效果，因而具有較強的推廣能力。本實施例表明，本發明能夠準確、快速地預測第二天取 水口鹹潮影響程度，為制定原水系統調度預案提供科學依據，保障原水供應安全，預測方法 有較強的推廣能力，具有廣闊的應用前景。上述的對實施例的描述是為便於該技術領域的普通技術人員能理解和應用本發 明。熟悉本領域技術的人員顯然可以容易地對這些實施例做出各種修改，並把在此說明的 一般原理應用到其他實施例中而不必經過創造性的勞動。因此，本發明不限於這裡的實施 例，本領域技術人員根據本發明的揭示，不脫離本發明範疇所做出的改進和修改都應該在 本發明的保護範圍之內。
權利要求
一種潮汐河流地區取水口鹹潮短期預測方法，其特徵在於通過分析以下影響因素上遊水文監測站流量、取水口當日潮位差、取水口日不能取水小時及取水口日平均氯離子濃度，建立BP-RAGA耦合神經網絡鹹潮預測模型，預測第二日各取水口不能取水小時及日平均氯離子濃度；在預測基礎上確定取水口可取水時間和取水量、內河湧水閘開啟和關閉時間，從而確定第二天潮汐河流原水取水量的時間和空間分布，結合原水系統優化調度模型，最終確定原水系統調度預案，保障原水系統安全運行，確保城市供水安全。
2.根據權利要求1所述的方法，其特徵在於包括以下步驟(1)獲取鹹潮預測影響因素及歷史數據，確定神經網絡預測模型結構和參數，對數據進 行前處理；(2)使用實碼加速遺傳算法(RAGA算法)對網絡初始權值進行優化；(3)利用誤差反向傳播算法(BP算法)對神經網絡進行訓練；(4)利用RAGA算法對神經網絡進行訓練；(5)判斷神經網絡訓練是否結束，如未結束，轉入步驟(3)，否則轉入步驟(6)；(6)利用訓練結束後的神經網絡模型進行鹹潮預測。
3.根據權利要求1所述的方法，其特徵在於所述的取水口氯離子濃度超標時預測模 型的影響因素是指氯離子濃度取水口前一日不能取水小時氯離子濃度、前一日上遊水文 監測站流量和取水口前一日潮位差；所述的取水口日平均氯離子濃度預測模型的影響因素 是指取水口前一日平均氯離子濃度、前一日上遊水文監測站流量和取水口前一日潮位差。
4.根據權利要求2所述的方法，其特徵在於所述的步驟(1)包括對所有樣本數據歸 一化到0. 1到0.9之間的過程。
5.根據權利要求1或2所述的方法，其特徵在於所述的神經網絡包括1個輸入層、1 個隱含層和1個輸出層。
6.根據權利要求1、2或5所述的方法，其特徵在於所述的神經網絡的輸入層有3個 神經元、隱含層有5個神經元、輸出層有1個神經元。
7.根據權利要求1、2、5或6所述的方法，其特徵在於所述的神經網絡的隱含層和輸 出層神經元傳遞函數均採用sigmoid函數。
8.根據權利要求1或2所述的方法，其特徵在於所述的神經網絡首先啟用RAGA算法 來優化神經網絡初始權值，再對優化了初始權值的神經網絡進行訓練。
9.根據權利要求2所述的方法，其特徵在於所述的對神經網絡所採用的訓練方法是 BP算法和RAGA算法，在BP算法訓練神經網絡一定次數後啟用RAGA來加速訓練此時的網絡 參數，之後再用BP算法訓練神經網絡，如此反覆多次，加快神經網絡收斂，提高神經網絡預 測精度。
10.根據權利要求2所述的方法，其特徵在於在步驟(5)中，如果神經網絡訓練次數 達到最大次數時結束訓練，使用完成訓練的神經網絡進行鹹潮預測。
11.根據權利要求2所述的方法，其特徵在於在步驟(6)中，利用訓練後的神經網絡 進行預測之前，先將輸入數據歸一化到0. 1和0. 9之間，再進行輸入，將網絡運算後的輸出 值進行反歸一化，即得到鹹潮預測值。
全文摘要
一種潮汐河流地區取水口鹹潮短期預測方法，通過分析以下影響因素上遊水文監測站流量、取水口當日潮位差、取水口日不能取水小時數及取水口日平均氯離子濃度，建立BP-RAGA耦合神經網絡鹹潮預測模型，預測第二天各取水口不能取水小時及日平均氯離子濃度；在預測基礎上確定各取水口的可取水時間和可取水量，從而確定第二天潮汐河流原水取水量的時間和空間分布，結合原水系統優化調度模型，最終制定原水系統調度預案，保障原水系統安全運行，確保城市供水安全。本發明相對以往預測系統，能充分利用已有信息，動態確定各影響因素在預測模型中的權重，提高了預測的靈敏度和準確性，具有更低的漏報率和誤報率。
文檔編號E02B1/00GK101824807SQ20101014848
公開日2010年9月8日 申請日期2010年4月16日 優先權日2010年4月16日
發明者信崑崙, 劉遂慶, 李樹平, 董曉磊, 陶濤 申請人:同濟大學