基于Kalman-BP的高边坡表面变形预测研究与应用

施工期中,泵站高边坡内部受力复杂,造成的表面变形可能导致滑坡坍塌等危及现场的安全作业事故,因此表面变形趋势预测具有实际工程意义。笔者选取4个现场监测的特征量——温度、锚杆应力、孔隙水压力和土压力作为模型的输入层,经过Kalman滤波对现场监测特征量的白噪音进行剔除,再进入BP神经网络进行训练,融合模型既能克服Kalman滤波的离散性现象,又提高了BP模型的泛化能力和收敛速度。将模型应用到重庆某泵站高边坡监测项目进行分析验证,结果表明:与传统BP神经网络相比,Kalman-BP神经网络针对H、Y、X三个方向累计变形量的训练迭代步数分别从1 086步减少至1 047步、1 090步减少至1 050步及1 080步减少至1 044步,预测H、Y、X三个方向累计变形量的均方根误差分别从0.974减小至0.684、1.037减少至0.564、0.982减少至0.526,模型的预测能力得到了提高,为高边坡安全作业提供了有效保障。

基于Kalman-BP融合的南水北调高填方渠道渗漏监测模型研究

针对目前南水北调中线工程高填方渠道渗漏监测设备综合误差大、不能监测渠道断面间渗漏等问题,设计了可用于高填方渠道渗漏的可移动无损监测系统,建立了高填方渠道渗漏状态监测的Kalman-BP融合模型。首先构建一种基于无线传感网的多区域渗漏信息检测平台,将传感器设计成便携式可移动的锥形设备,对渗漏区域的温湿度、土壤含水率、GPS位置信息以及渗流等信息进行实时采集,再通过ZigBee和GPRS将多传感器信息进行无线传输;并结合流场渗漏检测方法,通过试验模型筛选出与高填方渠道渗流相关的特征变量;使用卡尔曼(kalman)算法对关联的物理变量进行滤波和估值;最后将多传感器数据通过BP神经网络进行渗漏状态模式识别,实现渗漏的状态预测,确定坡面渗漏安全级别。试验结果表明,基于Kalman-BP融合模型的高填方渠道渗漏监测模型识别误差较小,达到能在整体上实时监测高填方渠段的渗流状态,可实现南水北调中线工程高填方渠道断面间的坡面渗流非破坏性在线监测功能。

Kalman-BP耦合模型预测下穿高铁桥梁盾构隧道形变

为了更好开展隧道工程中形变监测及安全预报的研究,基于大连市地铁5号线下穿高铁桥梁的监测数据与地层条件,将Kalman最优估计算法与反向传播(back propagation,BP)自适应神经网络进行耦合,进行该工程Kalman初始变量估值和遍历形变动态噪声分析,并融合BP神经网络对历史监测数据进行回访验证和状态预测,以对隧道底部形变及上部各土层对变形的影响进行监测分析和形变预测.结果表明,使用Kalman-BP耦合模型在变形监测周期第31期至35期的变形量比BP神经网络模型的变形量预测准确率分别提高了38.84%、15.78%、26.32%、5.26%、36.84%.在考虑地下土层材质后进行耦合模型训练,模型能叠加隧道上部地质条件进行自适应预测.可为隧道工程施工中形变预测及安全预报提供参考.

利用Kalman-BP综合模型进行矿区开采沉陷动态预测

为改进矿区开采沉陷动态预计方法,提高预计精度,改进单一BP神经网络在预计精度上的不足,本文提出一种卡尔曼滤波和BP神经网络(KF-BP神经网络)协同作用模型。首先将各期观测所得的含有随机误差的原始数据经过卡尔曼滤波进行去噪处理,然后再将去噪后的值作为训练样本输入BP神经网络,通过BP神经网络机器学习得出预测模型,调整权值和阈值,最终建立矿区开采沉陷实时预计模型。为了验证KF-BP神经网络协同作用模型的实际应用效果,结合矿区实测数据,与单一BP神经网络预测结果相比较,并进行误差分析比较。结果表明:KF-BP神经网络预测模型相对于单一BP神经网络模型预测精度提高,对于提升矿区地表沉陷动态预计精度的研究具有重要作用。

基于建筑物沉降的Kalman-BP组合预测模型

为了弥补单一BP神经网络在建筑物沉降预测上的不足,提高建筑物沉降预测精度,提出.Kalman-BP神经网络组合模型。首先通过Kalman滤波算法消除实测数据中的随机噪声,将去噪后的数据作为样本输入BP神经网络中,最终实现建筑物沉降值的预测。实践结果表明,Kalman-BP神经网络模型的拟合平均相对中误差为1.73%,后验方差为0.0012,预测平均相对中误差为1.13%,后验方差为0.0457。相比单一的BP神经网络模型,Kalman-BP神经网络模型能有效降低平均相对中误差和后验方差,提高预测精度。

基于自适应CKF的改进LANDMARC井下定位算法研究

在矿山井下进行人员定位时,为解决传统的LANDMARC算法受井下复杂环境影响出现的定位结果精度不高、波动大的问题,提出了一种基于自适应容积卡尔曼滤波(Volumentric Kalman Filtering,CKF)的改进LANDMARC井下定位算法。首先,该算法结合传统的LANDMARC定位算法建立井下三维空间模型并求解目标位置状态预估值;其次,利用BP神经网络的泛化映射能力,引入神经元参数对CKF算法进行优化,充分结合BP神经网络迭代式学习和CKF在强非线性系统中保持稳定的特点,提高定位算法的自适应能力;最后,将位置状态预估值作为观测量进行自适应CKF滤波处理,用优化后的结果作为目标位置坐标的真实值输出,提高了井下定位的精准性。试验结果表明:引入自适应CKF进行滤波处理可以大大提高传统LANDMARC定位算法的稳定性,定位偏差分布更为集中,偏差在1 m以下的占90%以上,所提算法的定位偏差在0.612 m以下的标签达到60%,可满足井下复杂动态环境的高稳定性要求,与传统的LANDMARC定位算法和经由HIF滤波的LANDMARC定位算法相比应用于井下定位具有更好的适用性。

EMA数字孪生模型构建方法研究

为解决工程实践中机电作动器(EMA)的理论模型与实际运行数据无法实时交互和调整的问题,引入了数字孪生技术。首先从几何、物理、行为和规则四方面构建EMA孪生机理模型;其次基于BP神经网络建立了孪生数据模型,利用卡尔曼滤波实现孪生机理模型和孪生数据模型的融合;最后通过仿真验证了孪生机理模型和孪生数据模型的准确性和可行性。

改进的自适应扩展卡尔曼滤波雷达目标跟踪算法

卡尔曼滤波是雷达目标跟踪场景最常用的目标状态跟踪估计算法,但针对非线性运动模型和噪声模型适配失配后,其滤波算法跟踪精度会出现下降。针对这些问题,提出一种机动目标场景下改进自适应扩展卡尔曼滤波的雷达目标跟踪算法,通过目标位置偏差范围来修正预测的位置信息,使用BP神经网络算法来自适应进行扩展卡尔曼滤波(extended kalman filter,EKF)算法预测信息结果的修正;根据噪声影响情况,提出基于实际情况可调的更新因子,用于进行修正后的EKF预测位置信息、测量信息和修正后的BP-EKF预测信息值的权重处理,基于优化模型,自适应选择最优的位置预测信息。仿真分析表明,所提出的算法在目标跟踪的滤波精度和稳定度都得到提升。

基于Kalman-BP协同融合模型的含沙量测量

针对黄河含沙量测量易受环境因素影响而导致测量结果不准确的问题,提出基于卡尔曼和BP神经网络(Kalman-BP)的协同融合模型,将含沙量、水温和流速等传感器输出值经过卡尔曼滤波器进行滤波处理;然后经BP神经网络模型对含沙量信息和环境量信息进行多传感器数据融合;最后建立了含沙量测量的反演模型.为了比较Kalman-BP神经网络的协同处理方法的融合效果,在相同环境下还进行了一元线性回归模型和多元线性回归模型的含沙量数据处理,并进行了误差分析比较.实验结果表明,Kalman-BP神经网络协同融合模型的测量误差较小,提高了含沙量测量系统的精度.

基于信息融合的燃气环境监测技术研究

针对传统燃气安全监测方法只针对于单一环境变量,并不能准确监测环境信息的问题,采用多传感器信息融合算法对燃气环境安全进行监测。首先使用滑动均值滤波算法消除监测数据中出现的异常数据与噪声;其次使用卡尔曼滤波算法对同质传感器数据进行数据级融合;最后,采用基于遗传算法优化BP神经网络对数据进行决策级融合。实验结果表明,相对于传统单一监测方法,基于多传感器信息融合的燃气环境监测系统准确率高,可靠性好,在燃气安全方面具有良好的应用场景。

基于LMI和BP网络的非线性矩阵加权次优融合算法

为了解决互协方差未知的多传感器非线性系统融合估计问题,提出了一种改进的矩阵加权次优融合算法。利用舒尔补定理推导出线性最小方差意义下基于矩阵融合的最简约束条件。此约束条件可保证融合估计误差方差的正定性,以及所提出次优融合估计的一致性;基于线性矩阵不等式(LMI)提出了一种矩阵加权次优融合估计。考虑到LMI算法优化过程中存在的耗时问题,采用BP网络获取最优值;结合容积卡尔曼滤波算法(CKF),提出了基于LMI算法和BP网络的非线性矩阵加权次优融合算法。仿真分析结果证明了算法应用于非线性系统的有效性。

基于Kalman滤波的组合预测模型在建筑物变形监测中的应用

根据建筑物沉降监测数据的特点,结合Kalman滤波算法、BP神经网络模型以及AR自回归模型在数据降噪、数据预测中的优势,提出并构建了一种新的基于Kalman滤波的BP-AR沉降预测模型。该组合预测模型实现建筑物变形预测的主要步骤为:首先,通过Kalman滤波算法对原始观测数据进行降噪,消除随机噪声误差对观测数据的影响;其次,通过BP神经网络模型对降噪后序列进行建模与预测;最后使用AR模型对预测残差进行建模与预测。通过实际建筑物沉降监测数据对本文提出的组合预测模型进行验证,结果表明相较于BP神经网络模型与BP-AR模型,本文提出的组合预测模型的预测精度更高,有效降低了噪声影响,具有较高的优越性。

基于UWB的加权同心圆聚类室内定位方法

为了降低基于超宽带(UWB)测距中的非视距(NLoS)误差的影响,引入了一种基于遗传算法-反向传播神经网络(GA-BP)的UWB测距误差识别与优化方法,能够识别NLoS传播链路下的数据,对NLoS传播链路下测距误差和系统偏差进行校正,最后对测距结果使用卡尔曼滤波(KF)优化。在此基础上,针对测距误差导致的多边定位无交点或多交点问题,提出了一种加权同心圆聚类定位(WCCGT)方法,通过加权同心圆生成(WCCG)解决无交点问题,再采用均值漂移聚类定位方法实现定位解算,以提高定位精度。实验结果表明,改进的测距优化方法有效减小了NLoS传播链路下的测距误差,基于UWB的测距精度提升了60%以上;通过静态定位实验和动态实验分析,将WCCGT方法定位结果与最小二乘(LS)方法进行了比较,本文方法能够在NLoS环境下达到10.78 cm的定位精度,定位性能提升了17.32%。

基于PSO-BP-UKF算法的锂电池SOC估计方法研究

锂电池的荷电状态(SOC)是锂电池质量管理的核心之一。基于有效的SOC估计是确保锂电池安全高效工作的必要条件,提出一种利用粒子群算法(PSO)优化反向传播(BP)神经网络,并将优化后的BP神经网络SOC输出值作为无迹卡尔曼滤波(UKF)观测值的锂电池SOC估计方法。使用来自马里兰大学的FUDS工况电池测试数据,将所提的PSO-BP-UKF算法与GA-BP-UKF算法、BP算法进行对比。结果表明,在25℃环境下,PSO-BP-UKF算法的最大偏差<3.17%,平均误差<6.44%,均方根偏差<0.0025,相比GA-BP-UKF算法和BP方法都有较大幅度的提高,说明所提算法具备有效性与实用性。

基于SSA-BP改进EKF算法的锂电池SOC估算

针对EKF算法与BP神经网络的缺陷,搭建一阶RC等效电池模型模拟锂电池的实际动态特性,提出在模型基础上利用麻雀搜索算法优化BP神经网络的初始权值与阈值,离线训练优化后的BP神经网络可在线补偿EKF算法估计出的SOC,得到SOC最佳估计值。根据实验数据在MATLAB/Simulink中搭建仿真模块验证算法精度。结果表明提出的算法具有优于EKF算法和BP-EKF算法的准确性与收敛性,可有效提高锂电池SOC估算精度,具有一定的实际应用价值。

一种优化的GA-KF与BP-Adaboost地表下沉组合预测模型

为提高矿区GNSS CORS自动化监测系统地表下沉预测精度,提出一种结合小波分析,采用遗传算法优化的卡尔曼滤波模型(GA-KF)与相空间重构的BP神经网络强预测模型(BP-Adaboost)的组合预测方法。利用小波分析获取原始监测数据的趋势项和随机项,并分别通过GA-KF模型和相空间重构BP-Adaboost模型预测趋势项和随机项,两者之和即为最终预测结果。以亳州板集矿监测站数据为例进行预测,结果表明:1)与单一使用GA-KF和相空间重构BP-Adaboost模型预测值对比,该组合模型预测精度更高;2)组合模型受建模序列长度影响较小,平均相对误差在0.003%以内,远小于两种单一模型,具有一定抗干扰性。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。

基于BP神经网络优化的卡尔曼滤波算法在轨道垂向不平顺估计中的应用

轨道不平顺是引起车辆和轨道振动的主要原因,也是影响列车平稳性和舒适性的关键因素。本文根据卡尔曼滤波(KF)最优估计原理,建立了车辆系统模型,通过观测车辆系统中车体、前后构架的多个惯性量,采用BP神经网络优化卡尔曼滤波(BP-KF),实现了轨道垂向不平顺的估计。结果表明,优化后的轨道垂向不平顺估计值,无论是在趋势上还是幅值上与原始值都具有较高的一致性,为轨道不平顺的间接估计提供了新的技术手段。

多模型融合的矿区地表沉降预测方法及适用性

为消除BP神经网络模型对矿区地表沉降预测精度有限且不够稳定的问题,以某矿区为例,选定弹性模量、泊松比、内聚力等9种影响矿区地表沉降的因素和最大下沉值作为初始样本数据,使用卡尔曼滤波(KF)优化BP神经网络,再将构建的KF-BP模型视作自适应增强(AdaBoost)算法中的弱预测器,通过最终权重分布将各弱预测器加权组合成强预测器。运用MATLAB建立BP神经网络模型、KF-BP模型、AdaBoost-BP模型和AdaBoost-KF-BP模型分别对矿区实际沉降监测数据进行训练和预测,结果表明,AdaBoost-KF-BP模型的稳定性最高,其精度相较于其他模型有明显提升。

BP神经网络结合粒子群优化卡尔曼滤波的MEMS陀螺随机误差补偿方法

针对微机电系统(MEMS)陀螺仪随机误差相对较大、影响其精度这一问题,提出一种基于BP神经网络结合具有量子行为的粒子群优化(QPSO)算法优化卡尔曼滤波(KF)的补偿方法。采集MEMS陀螺和转台数据作为样本,采用BP神经网络进行训练,建立误差模型;利用训练好的模型对MEMS陀螺进行误差补偿;利用QPSO算法优化KF,以达到更好的降噪效果。实验结果表明,该方法较BP神经网络优化KF、QPSO优化KF与变分模态分解结合小波阈值去噪等方法去噪处理后的平均绝对误差(MAE)和均方误差(MSE)更小,具有更好的降噪效果。