首页|基于Kalman-PNN协同融合的悬移质含沙量测量

基于Kalman-PNN协同融合的悬移质含沙量测量

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
Suspended Sediment Concentration Online Measurement Based on Kalman-PNN Collaborative Fusion Model

刘明堂、陈健、刘书晓、刘佳琪、吴思琪、江恩慧、刘雪梅

展开 >

华北水利水电大学 物理与电子学院,河南 郑州450045

中原经济区水资源高效利用与保障工程河南省协同创新中心,河南 郑州450011

黄河水利科学研究院 水利部黄河泥沙重点实验室,河南 郑州450003

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

河南省高等学校重点科研项目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

18A52003621A510007201916172102210050

2021

10.3969/j.issn.1000-1379.2021.05.003

人民黄河
水利部黄河水利委员会

人民黄河

CSTPCD北大核心
影响因子：0.494
ISSN：1000-1379
年,卷(期)：2021.43(5)
  • 1
  • 12