基于Kalman-LSTM模型的悬浮质含沙量测量
针对电容法测量河流含沙量过程中易受环境因素影响而导致测量结果不准确的问题,提出基于卡尔曼滤波和长短期记忆神经网络(Kalman-LSTM)的融合模型.先采用卡尔曼滤波器进行滤波处理,减小传感器测量的随机误差;再通过LSTM神经网络模型对含沙量信息和环境量信息进行多传感器数据融合,减小环境因素对电容法测量含沙量的影响;最后建立了电容法测量含沙量的Kalman-LSTM融合模型.为了验证Kalman-LSTM融合模型的融合效果,与BP模型、RBF模型和LSTM模型对比,比较各模型的均方根误差、最大绝对误差、平均绝对误差和平均相对误差.实验结果表明,Kalman-LSTM融合模型的平均相对误差为2.54%,均方根误差为2.47 kg/m3,该融合模型能有效降低环境因素对含沙量测量的影响,提高电容法测量含沙量的准确性.
电容法、含沙量、Kalman滤波、LSTM、多传感器数据融合
37
TN98;TV149
国家自然科学基金61364008
2023-09-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
163-170