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。

基于卡尔曼滤波的小波去噪和IWOA-ELM的颈肩肌肉疲劳分类方法

针对采集的表面肌电信号噪声干扰多,以及缺少颈肩肌肉疲劳状态划分标准和分类模型的问题,本文提出了一种基于联合去噪和优化极限学习机的颈肩肌肉疲劳分类方法。首先,使用AnyBody建立颈肩骨骼肌肉生物力学模型,根据肌肉pH值和RPE劳累感知量表划分肌肉疲劳状态。采集6名健康青年人斜方肌上束疲劳状态下的表面肌电信号。然后,结合卡尔曼滤波和改进的小波阈值函数进行联合去噪,提取均方根、积分肌电值、平均功率频率、中值频率、瞬时平均频率、瞬时中值频率6个特征参数。最后,使用改进鲸鱼优化算法优化极限学习机的权值和阈值,建立IWOA-ELM颈肩肌肉疲劳分类模型。实验结果表明,联合去噪算法效果更佳,IWOA-ELM模型训练集准确率为96.3%,测试集准确率为97.5%,均方根误差为1.108,对于不同受试者分类模型准确率均高于95%,因此本文提出的联合去噪算法和IWOA-ELM模型在颈肩肌肉疲劳分类方面具有优势。

小波分析的自适应卡尔曼滤波模型在地铁隧道变形监测中的应用

为了加强地铁安全保护机制,基于测量机器人智能化、自动化的特点,对某试验区的地铁隧道进行变形监测,选择Trimble S9 HP测量机器人进行数据采集,通过云平台进行数据处理及变形分析,最后利用小波分析的自适应卡尔曼滤波模型对后期形变量进行预测。结果表明,自动测量机器人的测量精度满足隧道监测要求,完成了地铁隧道变形监测的预设目标,分析隧道结构的变形特征并通过小波分析的自适应卡尔曼滤波模型进行变形预测,所得预测数据精度较高,可以为今后工程建设和地铁维护提供参考。

融合GNSS和加速度计的超高层建筑动态形变分析

针对全球卫星导航系统(GNSS)在超高层建筑形变监测中存在的多路径误差严重、监测精度不可靠等问题,本文通过构建可调节Q因子小波变换的系统趋势分离与滤波去噪模型,构建基于Kalman滤波、RTS平滑的数据融合算法,从而进行GNSS与加速度计数据融合;利用可调因子Gabor小波变换实现融合位移中动态形变信息的提取,并与加速度计数据二次频域积分后的动态位移进行对比,验证融合模型的有效性。模拟试验结果表明,本文构建的融合位移算法可有效还原真实数据,融合位移数据的均方根误差为0.0885 mm,互相关系数为0.9934,信噪比为17.53。通过超高层实测数据进一步验证,本文方法实现了GNSS和加速度计数据的消噪与融合,能够提取融合数据中的动态形变信息,提高了形变监测的精度,为超高层建筑动态形变分析提供了有效方法。

基于小波变换的组合模型在大坝变形分析中的应用

传统的GM(1,1)模型在进行变形预测时受原始数据条件影响较大,预测精度受限。为了提高GM(1,1)模型的预测精度,更好地服务于大坝变形的趋势判断,本文在传统GM(1,1)模型的基础上引入数据去噪方法,构建组合预测模型,并将组合预测模型应用于实际大坝沉降变形监测数据预测中。实验结果表明,小波-卡尔曼滤波去噪方法去噪结果优于单一的小波去噪方法或卡尔曼滤波去噪方法的去噪结果,同时小波-卡尔曼滤波去噪方法去噪后数据的预测精度更高,更加适用于实际工程项目变形监测。

基于片段充电数据和DEKF-WNN-WLSTM的锂电池健康状态实时估计

实时准确地评估电动汽车锂电池健康状态(SOH)对电动汽车的稳定行驶至关重要。因此,该文提出一种基于锂电池日常片段充电数据和双扩展卡尔曼滤波-小波神经网络-小波长短时记忆神经网络(DEKF-WNN-WLSTM)的电池全充时间估计模型,进而提高了片段充电数据评估电池健康状态的准确度。首先,设计双扩展卡尔曼滤波预测-校正算法,分别用来估计片段充电数据对应的全充时间和校正扩展卡尔曼滤波的状态初值,以提高估计的准确性。然后,设计了小波神经网络-小波长短时神经网络来学习扩展卡尔曼滤波递推过程的观测值。最后,通过实验仿真,验证了所提算法在锂电池健康状态实时估算中的准确性和有效性。

基于时间序列分析的气象观测数据预测

提出一种短期预测风速变化趋势的方法,首先使用小波分析技术对风速数据进行分析,研究各频域数据变化趋势,然后使用长短时记忆网络(LSTM)对低频区域数据进行预测,使用卡尔曼滤波技术对高频区域数据进行预测,最后对各频域预测数据进行重构,实现对风速数据短期预测。采用本地机场2019年1月份10分钟风速数据进行验证,实验结果表明,该方法能够有效预测出风速变化趋势,为该风速预测提供了一种有效的方法。

基于太赫兹雷达的声致海面微动信号检测

水下声信号传播到水面时,由于水和空气的声阻抗差,会激发水表面横向微幅波,其振动信号包含了声源的相关信息。雷达通过目标回波间的相位差来检测目标的微小位移,因此可以利用雷达检测水面微小位移变化获取水面振动信号,进而反演水下声源信息。该文首先分析了水下声传播的衰减特性及水面振动的物理模型,然后基于雷达回波模型对声致水面振动检测进行理论分析,提出了小波-卡尔曼滤波信号检测方法,最后在大型综合消声水池和黄海水域开展了基于太赫兹雷达的声致水面微动信号检测实验。实验结果表明所用太赫兹雷达能够检测声致水面的细微振动,所提算法能有效滤除水面干扰和雷达相位噪声并提取振动信号。实验首次在二级海况下检测到了亚微米级的振动信号,为水-空跨介质信息传输与水下航行器探测提供了依据。

基于卡尔曼滤波的油液金属磨屑检测系统

面对油液中金属磨屑的检测需求,针对传统油液金属磨屑检测系统的检测精度易受噪声影响的问题,文章设计了基于卡尔曼滤波的油液金属磨屑检测好的,系统。首先,根据电磁感应原理设计磁激励传感器并建立电压扰动模型;然后,根据金属磨屑电压信号的特点设计卡尔曼滤波器;接着,通过数据拟合验证电压扰动模型并计算过程噪声协方差;再利用小波分析得到测量噪声协方差;最后根据所得到的参数对金属磨屑电压扰动数据进行卡尔曼滤波得到最终结果。试验结果表明,经过卡尔曼滤波之后,300um金属磨屑的电压扰动信号误差减小了2%,400um金属磨屑的电压扰动信号误差降低了2.5%,500um金属磨屑的电压扰动信号误差降低了3%,证明了卡尔曼滤波用于该系统是可行的。

基于近红外吸收光谱技术的高精度CO_(2)检测系统的研制

为了准确测量地震断裂带溢出的痕量CO_(2)气体浓度,文中采用可调谐半导体激光吸收光谱(TDLAS)技术,选取波数4978.202 cm^(-1)作为CO_(2)检测系统的吸收谱线,采用有效光程为40 m的多通池,以STM32作为主控和数据处理核心器件,研制了高精度CO_(2)检测系统。针对系统中的探测器噪声与光学干涉条纹噪声,利用卡尔曼-小波分析算法滤波提升系统性能。实验表明,与滤波前相比,系统在50 ppmv CO_(2)浓度下的二次谐波信噪比提升了2.06倍。在不同CO_(2)浓度下(50、300、1000、4000、8000 ppmv),系统误差为2.57%~2.66%。系统测量4000 ppmv浓度下的CO_(2)时检测精密度达到20.9 ppmv。利用Allan方差分析得出,积分时间在约61 s时对应的最低探测下限(MDL)为5.2 ppmv,实现了对CO_(2)气体的高精度测量。结果表明,所设计的高精度CO_(2)系统可以在气体检测领域为预测地震前兆提供良好前景。

基于小波去噪-卡尔曼滤波的供水管网爆管检测

在应用卡尔曼滤波进行爆管检测时,若受到监测误差、用水量随机波动等因素形成的背景噪音影响会导致误报率偏高,进而带来爆管检测系统鲁棒性较低的问题。鉴于此,对原始卡尔曼滤波进行了改进,首先采用小波函数对监测数据进行处理,其可以成功将周期循环信号中的有效信号及噪声信号分解至不同频域,然后使用硬阈值函数去噪后再对信号进行重构;最后利用卡尔曼滤波对重构后的信号进行爆管检测。研究结果表明:通过小波去噪,重构的信号中噪声信号占比显著降低,且信号与有效信号相似性更大;利用实际管网数据验证发现,所提算法可成功应用于实际管网爆管检测且与卡尔曼滤波相比,信号持续稳定,无剧烈波动且误报次数由6次降至0次,极大提高了爆管检测系统鲁棒性。

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。

小波结合改进自适应卡尔曼滤波的MEMS陀螺降噪方法

惯性传感器是惯性导航系统的核心组成,其精度决定了惯性导航系统的精度。为了提高惯性传感器精度,提出一种小波分析和时间序列相结合的改进Sage-Husa自适应卡尔曼滤波降噪方法。首先利用小波去噪滤除陀螺仪高频噪声,然后利用时间序列分析与改进Sage-Husa自适应卡尔曼滤波相结合处理低频噪声。通过Allan方差分析估计陀螺仪噪声系数,结果表明所提方法降噪效果相较于传统卡尔曼滤波,陀螺仪的角度随机游走、零偏不稳定性、角速率游走及速率斜坡分别提高了90.6%、83.2%、87.9%、88.1%。

结合Kalman滤波与小波神经网络的沉降形变监测

高速铁路隧道工程监测点沉降曲线具有小沉降、大波动的特点,沉降变形数据中存在大量随机噪声,将影响沉降变形分析的准确性。将Kalman滤波应用于高铁隧道沉降变形数据预处理,对沉降变形数据进行去噪,再利用小波神经网络对去噪后的沉降变形数据进行预测分析,从而提高单一小波神经网络的预测精度。通过工程实例分析表明,结合Kalman滤波的小波神经网络预测精度优于单一小波神经网络,具有更好的应用价值。

基于卡尔曼滤波与子带选取的轴承声信号增强方法

针对皮带机齿轮箱轴承声信号受混响及其他部件运行噪声干扰严重导致声学诊断困难的问题,分析了声信号组成、混响产生原因、信号传递路径及各干扰成分特点,提出了一种结合卡尔曼滤波与最优子带选取的声信号特征增强方法。首先,依据最大峭度准则设定了卡尔曼滤波超参数,通过卡尔曼滤波减少了混响噪声对轴承故障声信号的干扰;然后,采用小波包降噪算法对去混响后的信号进行了处理,对比了待测状态与正常状态信号子带的能量差异,选取了包含故障信息多的最优子带,通过包络谱分析提取了轴承故障特征;最后,通过轴承故障模拟试验对基于卡尔曼滤波与小波包子带选取方法的有效性进行了验证,并将其与改进奇异值分解(ISVD)与共振稀疏分解(RSSD)结合的方法进行了比较。研究结果表明:该方法的去混响和降噪效果显著,包络谱中含有明显的故障频率及其相关成分。采用基于卡尔曼滤波与子带选取的方法可以实现在室内测量环境下的轴承声信号增强目的,准确提取轴承故障特征。

UWB技术的RLS EKF室内定位算法研究

针对当前UWB技术在传统厂区布站方式下室内定位误差较大,无法良好实现对象的三维显示问题,基于多传感器融合,本文提出一种将UWB数据与IMU数据进行先预处理、后融合的算法。该方法通过TOF测距后将UWB数据进行小波阈值去噪,递推最小二乘定位,并与IMU数据进行扩展卡尔曼滤波融合,从而减小标签的三维距离误差,提高定位精度,实现对厂区可移动设备的实时监控管理。仿真结果表明,基于多传感器融合的RLS EKF室内定位能够减小标签三维定位误差,提高定位的准确性,满足厂区室内实时定位的精度要求。

BD/GPS卫星钟差短期预报模型分析

采用GNSS数据中心提供GPS/BDS钟差数据作为实验数据,对二次多项式模型(the Quadratic PolynoMial(QP)model)、灰色模型(the Gray system Model(GM(1,1)))、时间序列模型(the ARIMA time series model)、卡尔曼滤波模型(KF)、小波神经网络模型(Wavelet Neural Network(WNN))五种模型钟差短期预报的效果进行分析和比较,总结了各模型预报钟差的优点与不足。

桥梁变形监测数据小波去噪与Kalman滤波研究

针对跨海大桥三维变形监测问题,实施了测量机器人与三维激光扫描仪测量方案,二者三维监测数据最大较差不超过0.5mm,而且测量机器人监测数据精度高,说明三维激光扫描技术应用于桥梁变形监测是可行的。根据小波分析与Kalman滤波理论,建立小波去噪后的桥梁变形监测Kalman滤波模型。实验表明,经过小波去噪的监测数据再进行Kalman滤波处理,提高了桥梁变形预测与变形分析的可靠性。通过标准Kalman滤波、自适应Kalman滤波桥梁变形观测数据处理,及平方和误差、均方误差、平均相对误差精度分析知,自适应Kalman滤波要优于标准Kalman滤波方法。

时间序列数据流的自适应预测

提出一种自适应预测方法AFStreams,综合了复杂人工智能预测方法和时间序列预测方法的优点,可以根据数据流值变化的快慢程度自适应地确定预测步长,在计算资源受限的前提下,形成最佳预测点轨迹．仿真实验证明,AFStreams能够良好地适应数据的变化,在计算复杂度和预测精度之间平衡,显著地提高了平均预测精度．

基于卡尔曼滤波和小波的网络流量预测算法研究

流量预测是流量工程,拥塞控制和网络管理的核心问题。该文针对网络流量的特点,将卡尔曼滤波和小波分析混合的预测算法引入到网络流量预测领域中,对其进行了理论证明。仿真结果表明,该算法与传统的算法相比,具有较高的预测精度和较好的实时性与广谱性。