基于Kalman-PNN协同融合的悬移质含沙量测量

作者：刘明堂; 陈健^*; 刘书晓; 刘佳琪; 吴思琪; 江恩慧; 刘雪梅

来源：人民黄河, 2021, 43(05): 12-16.

• 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

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。

• 单位
  黄河水利科学研究院; 华北水利水电大学; 物理与电子学院