10.3969/j.issn.1000-1379.2021.05.003
基于Kalman-PNN协同融合的悬移质含沙量测量
针对悬移质含沙量在线测量易受环境因素干扰的问题,通过分析卡尔曼滤波(Kalman filter)特性与概率神经网络(PNN)数据融合特点,提出基于卡尔曼滤波和概率神经网络(Kalman-PNN)的协同融合模型.首先应用卡尔曼滤波器对含沙量传感器输出值进行无偏估计,减少含沙量传感器的噪声干扰;然后将含沙量信息和水温、深度、流速等环境信息进行多源数据融合处理,进一步消除环境因素对含沙量测量的影响;最后经过Kalman-PNN协同融合处理,得到更加精确的含沙量实测值.为了验证Kalman-PNN协同融合模型的数据处理效果,在相同试验条件下进行了一元线性回归(ULR)模型、多元线性回归(MLR)模型、PNN模型与BP神经网络模型的含沙量数据处理.通过误差比较分析发现,基于Kalman-PNN协同融合模型的试验数据平均绝对误差仅为11.72 kg/m3,而一元线性回归模型、多元线性回归模型、PNN模型与BP神经网络模型的分别为103.12、56.02、12.47、49.81 kg/m3.试验结果表明,基于Kalman-PNN的协同融合模型对含沙量测量精度的提升具有积极作用.
悬移质含沙量、在线测量、卡尔曼滤波、概率神经网络、协同融合
43
TV149;TP274+.4(水利工程基础科学)
河南省高等学校重点科研项目;水利部2019年度水利重大问题研究项目;河南省科技攻关项目
2021-05-20(万方平台首次上网日期,不代表论文的发表时间)
共5页
12-16