現在位置首頁 > 博碩士論文 > 詳目
論文中文名稱:結合EEMD與輻狀基底函數類神經以河川水位推估大氣壓力 [以論文名稱查詢館藏系統]
論文英文名稱:Integrating EEMD and RBFNN to Estimate Atmosphere by Tidal Water Stages [以論文名稱查詢館藏系統]
院校名稱:臺北科技大學
學院名稱:工程學院
系所名稱:土木工程系土木與防災碩士班
畢業學年度:107
畢業學期:第一學期
出版年度:107
中文姓名:洪子婷
英文姓名:Tze-Ting Houng
研究生學號:105428085
學位類別:碩士
語文別:中文
口試日期:2018/07/28
論文頁數:103
指導教授中文名:陳彥璋
口試委員中文名:陳彥璋;高蘇白;葉惠中;衛強
中文關鍵詞:整體經驗模態分解法輻狀基底函數類神經網路感潮河段
英文關鍵詞:EEMDRBFNNTidal Stream
論文中文摘要:大氣壓力為颱風暴潮影響潮位變化的因素之一,而潮位變化造成感潮現象影響河川水位上下震盪,基於兩者之間物理量有共同影響因子存在,促使本研究欲以高雄愛河及典寶溪各五站水位數據為研究資料,使用EEMD法分解出IMF分量,由此分量判斷出感潮河段影響範圍,更進一步利用輻狀基底函數類神經網路方法分析推得水位與大氣壓力關係並加以分析討論。
研究結果得知,此方法於推估感潮河段是有成效的,表示大氣壓力確實對感潮河段有影響作用,不僅能看出水位變化具有感潮週期變化,亦能改善水位計量測時需多處理岸上大氣壓力數據之困擾,以期將來可在感潮河段範圍內建立更完善推估機制,使曾經有過氣象觀測站但因年久失修或遷址後,亦能由過去水位及大氣壓力數據訓練出未來僅用已知水位即推估出未知當地氣壓的成效。
論文英文摘要:Atmospheric pressure is one of the factors which affect the change of tidal level caused by typhoon tide, and the tidal phenomenon make the river water stage rise up and down because of the tidal level changes. And there’s a common physical quantity being influence factor between atmospheric pressure and tidal phenomenon. This study use the water stage data of the ten stations in Kaohsiung Love-River and Dianbao-River as research data and decompose the IMF component by using the EEMD method. From this component, we can judge that where’s the influence range of the tidal river section. And the relationship between the water stage and atmospheric pressure can be analysis by the radial basis function neural network (RBFNN) method.
The research results shows that the method is effective in estimating the tidal reaches, indicating that atmospheric pressure does have an effect on the tidal reaches. It can be seen that the water stage changes have a sensible period. It is necessary to deal with the problem of onshore atmospheric pressure data during the measurement, so that in the future, a better estimation mechanism can be established within the tidal river section, so that once there has been a meteorological observatory, it can also be past due to disrepair or relocation. Water level and atmospheric pressure data trains the future to use only known water levels to estimate the effectiveness of unknown local air pressure.
論文目次:摘 要 i
ABSTRACT ii
誌 謝 iv
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1前言 1
1.2研究目的 2
1.3論文架構簡介 2
第二章 文獻回顧 4
2.1 大氣壓力量測 4
2.2 時頻分析 7
2.2.1 時頻分析法 7
2.2.2 HHT相關研究 10
2.3 類神經網路 11
2.3.1 簡介 12
2.3.2 類神經網路 12
2.3.3 ANN相關研究 17
第三章 研究方法 19
3.1 HHT架構 19
3.1.1經驗模態分解法(EMD) 20
3.1.2 整體經驗模態分解法(EEMD) 25
3.2 RBFNN理論介紹 26
3.3 迴歸相關性 28
第四章 研究區域 29
4.1 研究區域概述 29
4.1.1 愛河 30
4.1.2 典寶溪 31
4.2資料蒐集與彙整 32
4.2.1水位計資料讀取 33
4.2.2 水位站資料處理 37
第五章 結果與討論 40
5.1研究結果 40
5.1.1感潮河段範圍判斷 41
5.1.2 愛河 43
5.1.3 典寶溪 69
5.2分析討論 94
第六章 結論與建議 95
6.1結論 95
6.2建議 96
參考文獻 97
附錄 100
論文參考文獻:1. Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q. Liu, H. H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 903-995. doi: 10.1098/rspa.1998.0193
2. Liong, S.-Y., Lim, W.-H., & Paudyal, G. N. (2000). River Stage Forecasting in Bangladesh: Neural Network Approach. Journal of Computing in Civil Engineering, 14(1), 1-8. doi: doi:10.1061/(ASCE)0887-3801(2000)14:1(1)
3. Luk, K. C., Ball, J. E., & Sharma, A. (2001). An application of artificial neural networks for rainfall forecasting. Mathematical and Computer Modelling, 33(6), 683-693. doi: https://doi.org/10.1016/S0895-7177(00)00272-7
4. Łukasik, E., & Grocholewski, S. (1998, 8-11 Sept. 1998). Comparison of some time-frequency analysis methods for classification of plosives. Paper presented at the 9th European Signal Processing Conference (EUSIPCO 1998).
5. WU, Z., & HUANG, N. E. (2009). ENSEMBLE EMPIRICAL MODE DECOMPOSITION: A NOISE-ASSISTED DATA ANALYSIS METHOD. Advances in Adaptive Data Analysis, 01(01), 1-41. doi: 10.1142/s1793536909000047
6. Donghoh Kim, Hee-Seok Oh, 2009 "EMD : A Package For Empirical Mode Decomposition and Hilbert Spectrum" The R Journal, vol. 1,no 1, pp. 40-46
7. BEKKA, R. E. H., & BERROUCHE, Y. (2013). IMPROVEMENT OF ENSEMBLE EMPIRICAL MODE DECOMPOSITION BY OVER-SAMPLING. Advances in Adaptive Data Analysis, 05(03), 1350012. doi: 10.1142/s179353691350012x
8. Karthikeyan, L., & Nagesh Kumar, D. (2013). Predictability of nonstationary time series using wavelet and EMD based ARMA models. Journal of Hydrology, 502, 103-119. doi: https://doi.org/10.1016/j.jhydrol.2013.08.030
9. Whigham, P.A., & Crapper, P. F. (2001). Modelling rainfall-runoff using genetic programming. Mathematical and Computer Modelling, 33(6-7), 707-721. doi: 10.1016/s0895-7177(00)00274-0
10. Ahmad, S., & Simonovic, S. P. (2005). An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of Hydrology, 315(1-4), 236-251. doi: 10.1016/j.jhydrol.2005.03.032
11. Dawson, C. W., Abrahart, R. J., Shamseldin, A. Y., & Wilby, R. L. (2006). Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319(1-4), 391-409. doi: 10.1016/j.jhydrol.2005.07.032
12. Singh, P., & Deo, M. C. (2007). Suitability of different neural networks in daily flow forecasting. Applied Soft Computing, 7(3), 968-978. doi: 10.1016/j.asoc.2006.05.003
13. Sattari, M. T., Apaydin, H., & Ozturk, F. (2012). Flow estimations for the Sohu Stream using artificial neural networks. Environmental Earth Sciences, 66(7), 2031-2045. doi: 10.1007/s12665-011-1428-7
14. Rutkowska A., Willems P., Onyutha C., Młocek W. (2017) ”Temporal and spatial variability of extreme river flow quantiles in the Upper Vistula River basin, Poland.” Hydrological Processes, 05 January
15. 蔡清標、黃貴麟、游智宇,2006,「類神經網路在淡水河口暴潮位預測之應用」,第28屆海洋工程研討會論文集,國立中山大學,第265-231頁
16. 汪中和、陳界宏,2009,由HHT探討台灣地溫變化的特性,第二屆時頻分析與地球科學研討會,中央研究院地球科學研究所
17. 吳順德、陳思予、陳虹伯,2009,經驗模態分解法之研究趨勢探討,臺北科技大學學報,第42卷,第1期,第31-50頁
18. 顧小麗、李培良等,2009,「基於RBF神經網絡的EMD方法在海平面分析中的應用」,中國海洋湖沼學報,第40卷,第5期
19. 郭裕農,2010,時頻分析應用於高雄港潮位資料之研究,碩士學位論文,國立高雄海洋科技大學航海科技研究所
20. 張斐章、陳彥璋、梁晉銘,2011,「以類神經網路預測淡水河感潮河段水位」,農業工程學報,第47卷,第4期,第29-37頁
21. 陳聰閔,2011,應用HHT分析台中港潮位資料研究,碩士學位論文,國立高雄海洋科技大學航海科技研究所
22. 林明億,2011,感潮河段水位構成要素分析,碩士學位論文,國立臺北科技大學土木與防災所
23. 王皓毅,2012,以HHT建立感潮河段率定曲線,碩士學位論文,國立臺北科技大學土木與防災所
24. 陳彥璋、高蘇白、林威再,2013,「以經驗模式解構法判定河川水位站有否位於感潮河段」,臺灣水利,第61卷,第1期,第109-116頁
25. 林威再,2013,以HHT判斷臺灣河川的豐枯週期,碩士學位論文,國立臺北科技大學土木與防災所
26. 林俶寬、林炤圭,2014,「有關總體型經驗模態分解法(EEMD)應用於波動時序訊號的討論」,第36屆海洋工程研討會論文集
27. 蘇霈儀,2016,颱風期間河川水位推估,碩士學位論文,國立臺北科技大學土木與防災所
28. 許惠筑,2017,以EEMD建構颱洪時期翡翠水庫與上游河川水位相關性,碩士學位論文,國立臺北科技大學土木與防災所
論文全文使用權限:不同意授權