基于Kalman-GOCNN最优融合模型的悬移质含沙量在线检测

作者：刘明堂; 吴思琪; 党元初; 陈健; 刘雪梅; 康占军; 江恩惠

来源：水利水电快报, 2022, 43(05): 20-27.

DOI：10.15974/j.cnki.slsdkb.2022.05.003

• 悬移质含沙量
• 在线检测
• 卡尔曼滤波
• 遗传算法
• 卷积神经网络
• 最优融合

针对悬移质含沙量检测过程中易受环境因素干扰的问题，提出了一种基于Kalman-GOCNN最优融合模型用以在线检测悬移质含沙量。首先分析了各环境因素对悬移质含沙量检测的影响；并使用Kalman算法分别对悬移质含沙量、水温、电导率以及深度数据进行滤波，减少悬移质含沙量在线检测时环境的影响；最后应用遗传优化（GO,Genetic Optimization）算法优化卷积神经网络（CNN,Convolutional Neural Network），建立了Kalman-GOCNN最优融合模型。通过改变卷积神经网络的卷积核尺寸与个数，获得了悬移质含沙量检测的多源数据最优融合效果，有效减少了环境因素对悬移质含沙量检测的影响。为了比较Kalman-GOCNN多源数据融合模型的处理效果，在相同环境下进行了Kalman-CNN,CNN以及多元线性回归和一元线性回归处理，并进行了悬移质含沙量检测的误差分析。结果表明：Kalman-GOCNN多源数据最优融合模型的均方根误差仅为1.11 g/L，该模型能够有效地消除环境影响，提高了悬移质含沙量在线检测的精度和稳定性。

• 单位
  黄河水利科学研究院; 物理与电子学院; 华北水利水电大学