含沙量监测的wavelet-Kalman多尺度融合研究

为解决黄河含沙量监测时传感器易受环境因素影响的问题,简述了音频共振法测量含沙量的原理,探讨了音频共振传感器的谐振频率和含沙量监测之间的关系,提出了贯序式wavelet-Kalman多尺度融合模型,对音频共振传感器的谐振频率进行小波分解,把含沙量数据组成贯序式数据块进行多尺度分析,提取含沙量信号序列中的突变值,建立了Kalman融合方程,将温度信息作为控制信号,消除了环境因素对含沙量监测的影响,并进行了含沙量测量的反演和误差分析。结果表明:贯序式wavelet-Kalman多尺度融合模型能够有效地消除环境影响,提高系统测量的精度和稳定性,平均绝对误差为3.95 kg/m^3,均方根误差为3.13 kg/m^3,比其他反演模型的误差小。

悬移质含沙量检测的Kalman-GORBF多源数据最优融合模型研究

针对悬移质含沙量在线检测易受环境因素的影响,提出基于卡尔曼(Kalman)滤波和遗传算法优化的径向基函数(Genetic Optimized Radial Basis Function,GORBF)神经网络的多源数据最优融合模型.首先简述Kalman滤波的基本原理,将基于音频共振法传感器的信号进行Kalman滤波;对悬移质含沙量、水温、电导率以及深度信息进行综合分析,找出对悬移质含沙量检测有关联的环境因素;并应用RBF神经网络对悬移质含沙量数据进行多源数据处理,融合了影响悬移质含沙量检测的环境因素;最后探讨遗传算法(Genetic Algorithm)优化径向基神经网络(RBF Neural Network)参数的方法,提出遗传算法来优化RBF的半径和离散尺度,获得了悬移质含沙量检测的多源数据最优融合效果,有效地减少环境因素对悬移质含沙量检测的影响.为了比较Kalman-GORBF多源数据融合模型的处理效果,在相同环境下还进行了Kalman-RBF,GORBF、多元线性回归和一元线性回归方法的处理,并进行悬移质含沙量测量的误差分析.试验结果表明,基于Kalman-GORBF多源数据最优融合的悬移质含沙量检测模型能够有效地消除环境影响,提高了悬移质含沙量检测的精度和稳定性.