典型文献
基于Kalman-GOCNN最优融合模型的悬移质含沙量在线检测
文献摘要：
针对悬移质含沙量检测过程中易受环境因素干扰的问题,提出了一种基于Kalman-GOCNN最优融合模型用以在线检测悬移质含沙量.首先分析了各环境因素对悬移质含沙量检测的影响;并使用Kal?man算法分别对悬移质含沙量、水温、电导率以及深度数据进行滤波,减少悬移质含沙量在线检测时环境的影响;最后应用遗传优化(GO,Genetic Optimization)算法优化卷积神经网络(CNN,Convolutional Neural Net?work),建立了Kalman-GOCNN最优融合模型.通过改变卷积神经网络的卷积核尺寸与个数,获得了悬移质含沙量检测的多源数据最优融合效果,有效减少了环境因素对悬移质含沙量检测的影响.为了比较Kal?man-GOCNN多源数据融合模型的处理效果,在相同环境下进行了Kalman-CNN,CNN以及多元线性回归和一元线性回归处理,并进行了悬移质含沙量检测的误差分析.结果表明:Kalman-GOCNN多源数据最优融合模型的均方根误差仅为1.11 g/L,该模型能够有效地消除环境影响,提高了悬移质含沙量在线检测的精度和稳定性.
文献关键词：
悬移质含沙量;在线检测;卡尔曼滤波;遗传算法;卷积神经网络;最优融合
中图分类号：
作者姓名：
刘明堂;吴思琪;党元初;陈健;刘雪梅;康占军;江恩惠
作者机构：
华北水利水电大学物理与电子学院,河南郑州450045;郑州三和水工机械有限公司,河南郑州450121;黄河水利科学研究院水利部黄河泥沙重点试验室,河南郑州450003
文献出处：
引用格式：
[1]刘明堂;吴思琪;党元初;陈健;刘雪梅;康占军;江恩惠-.基于Kalman-GOCNN最优融合模型的悬移质含沙量在线检测)[J].水利水电快报,2022(05):20-27
A类：
GOCNN
B类：
Kalman,最优融合,融合模型,悬移质含沙量,在线检测,检测过程,中易,水温,电导率,深度数据,遗传优化,Genetic,Optimization,算法优化,Convolutional,Neural,Net,work,卷积核尺寸,融合效果,多源数据融合,处理效果,一元线性回归,误差分析,卡尔曼滤波
AB值：
0.142893
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
