人民黄河

作者：刘明堂;陈健;刘书晓;刘佳琪;吴思琪;江恩慧;刘雪梅

单位：（1.华北水利水电大学 物理与电子学院，河南 郑州 450045； 2.中原经济区水资源高效利用与保障工程河南省协同创新中心，河南 郑州 450011； 3.黄河水利科学研究院 水利部黄河泥沙重点实验室，河南 郑州 450003）

关键词：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。

来源：2021年第5期

《人民黄河》期刊编辑部

查看人民黄河杂志2021年第5期