欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022112250163
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种电容式传感器测量含沙量的数据融合方法,其特征在于:所述电容式传感器测量含沙量的数据融合方法的具体步骤如下:步骤1:通过电容传感器、温度传感器、电导率测试仪以F的采样频率分别采集在第t时刻的电容值Ct、水温Tt、电导率σt,用烘干称重法测定测量点的含沙量信息作为实际含沙量CSt,其中t∈{1,2,…,N},形成第一数据集;

步骤2:采用拉依达准则识别并剔除第一数据集中的异常值,再利用分段线性插值法计算出估算值作为对异常值的补充,以保证数据的完整性,形成第二数据集;

步骤3:对已剔除粗大误差的第二数据集采用Sage-Husa自适应卡尔曼滤波进行最优估计,形成第三数据集;

步骤4:构建LSTM神经网络,将第三数据集中的电容值、水温和电导率信息作为LSTM神经网络的输入,含沙量作为LSTM神经网络的输出,对环境信息和含沙量信息进行数据融合。

2.根据权利要求1所述的电容式传感器测量含沙量的数据融合方法,其特征在于:所述步骤2包括如下步骤:步骤2.1:将第一数据集中的电容值Ct、水温Tt和电导率σt分别采用拉依达准则进行异常值识别,异常值判断方法如下:当时,xt为正常值,对正常值予以保留,当时,xt为异常值,对异常值进行剔除,其中xt为第t时刻样本值,为当前样本的算术平均值,σ为标准差,σ的计算公式为:式中,σ是标准差,n是采样次数;

步骤2.2:对异常值进行剔除,并采用线性插值法对缺失数据进行补充,异常值分为单点异常值和区域异常值,对于第m时刻的单点异常值xm,采用线性插值法计算新的估算值其中为单点异常值xm的估算值,xm-1为单点异常值xm前一时刻的正常值,xm+1为单点异常值xm后一时刻的正常值,对于第p时刻的区域异常值xp∈(xt,xt+1,xt+2,…,xt+n),即从第t时刻到第t+n时刻内的所有样本值均为异常值,采用线性插值法计算新的估计值p∈[t,t+n],其中为区域异常值xp的估算值,xt-1为该异常区域的首个异常值xt前一时刻的正常值,xt+n+1为该异常区域的末位异常值xt+n后一时刻的正常值。

3.根据权利要求1所述的电容式传感器测量含沙量的数据融合方法,其特征在于:所述步骤3包括如下步骤:步骤3.1:将第二数据集中的电容值Ct、水温Tt和电导率σt分别采用卡尔曼滤波进行最优估计,计算第k时刻的先验估计式中为第k时刻的先验估计,A为状态方程的状态矩阵,为第k-1时刻的后验估计,为第k-1时刻的系统噪声;

步骤3.2:计算预测协方差矩阵式中p(k/k-1)为第k时刻的预测协方差矩阵,A为状态方程的状态矩阵,AT为A的转置矩阵,P(k-1/k-1)为第k-1时刻的误差协方差矩阵,为第k-1时刻系统噪声的协方差矩阵;

步骤3.3:计算新息序列式中ε(k)为第k时刻的残差,Y(k)为第k时刻的观测值,H为观测矩阵,为第k时刻的先验估计,为第k-1时刻的观测噪声;

步骤3.4:计算权值式中dk为第k时刻的权值,b为遗忘因子;

步骤3.5:计算卡尔曼增益式中K(k)为第k时刻的卡尔曼增益,P(k/k-1)为第k时刻预测协方差矩阵,H为观测矩阵,HT为H的转置矩阵,为观测噪声的协方差矩阵;

步骤3.6:计算更新状态式中为第k时刻的后验估计,为第k时刻的先验估计,K(k)为第k时刻的卡尔曼增益,ε(k)为第k时刻的残差;

步骤3.7:计算更新误差协方差矩阵P(k/k)=[I-K(k)H]P(k/k-1),式中P(k/k)为第k时刻误差协方差矩阵,I为单位矩阵,K(k)为第k时刻的卡尔曼增益,H为观测矩阵,P(k/k-1)为第k时刻预测协方差矩阵;

步骤3.8:利用时变噪声估计器更新系统噪声和系统噪声的协方差矩阵:

式中为第k时刻的系统噪声,dk为第k时刻的权值,为第k-1时刻的系统噪声,为第k时刻的后验估计,A为状态方程的状态矩阵,为第k-1时刻的后验估计;

式中,为第k时刻的系统噪声的协方差矩阵,dk为第k时刻的权值,为第k-1时刻的系统噪声的协方差矩阵,K(k)为第k时刻的卡尔曼增益,ε(k)为第k时刻的残差,ε(k)T为ε(k)的转置矩阵,K(k)T为K(k)的转置矩阵,P(k/k)为第k时刻误差协方差矩阵,A为状态方程的状态矩阵,P(k-1/k-1)为第k-1时刻的误差协方差矩阵,AT为A的转置矩阵;

步骤3.9:利用时变噪声估计器更新观测噪声和观测噪声的协方差矩阵:

式中为第k时刻的观测噪声,dk为第k时刻的权值,为第k-1时刻的观测噪声,Y(k)为第k时刻的观测值,H为观测矩阵,为第k时刻的先验估计;

式中为第k时刻观测噪声的协方差矩阵,dk为第k时刻的权值,为第k-1时刻观测噪声的协方差矩阵,ε(k)为第k时刻的残差,ε(k)T为ε(k)的转置矩阵,H为观测矩阵,HT为H的转置矩阵,P(k/k-1)为第k时刻预测协方差矩阵。

4.根据权利要求1所述的电容式传感器测量含沙量的数据融合方法,其特征在于:所述步骤4包括如下步骤:步骤4.1:构建LSTM神经网络模型,将第三数据集中的电容值Ct、水温Tt、电导率σt、含沙量CSt进行归一化处理,前90%数据作为训练样本,送入LSTM神经网络进行训练,直至训练样本误差满足要求;

步骤4.2:将电容值Ct、水温Tt、电导率σt作为三维输入,含沙量CSt作为一维输出;

步骤4.3:计算遗忘门输出ft=σ(Wf·[ht-1,xt]+bf),其中ft为t层遗忘门的输出,ht-1为t-1层的输出,xt为t层的序列输入,Wf为具有可训练参数的遗忘门权重,由ht-1的遗忘门权重和xt的遗忘门权重组成,σ为Sigmoid激活函数,bf为遗忘门的偏置;

步骤4.4:计算输入门输出it=σ(Wi·[ht-1,xt]+bi),其中it为t层输入门的输出,ht-1为t-1层的输出,xt为t层的序列输入,Wi为具有可训练参数的输入门权重,由ht-1的输入门权重和xt的输入门权重组成,σ为Sigmoid激活函数,bi为输入门的偏置;

步骤4.5:计算本层神经元的中间输出信息其中为t层神经元的中间输出信息,ht-1为t-1层的输出,xt为t层的序列输入,WC为具有可训练参数的中间输出权重,由ht-1的中间输出权重和xt的中间输出权重组成,Tanh为Tanh激活函数,bC为中间输出的偏置;

步骤4.6:计算本层更新后的记忆细胞其中Ct为t层的记忆细胞,ft为t层遗忘门输出,Ct-1为t-1层的记忆细胞,it为t层输入门输出,为t层神经元的中间输出信息;

步骤4.7:计算输出门的门限输出ot=σ(Wo·[ht-1,xt]+bo),其中ot为t层输出门的门限输出,ht-1为t-1层的输出,xt为t层的序列输入,Wo为具有可训练参数的输出门门限权重,由ht-1的输出门门限权重和xt的输出门门限权重组成,σ为Sigmoid激活函数,bo为输出门门限的偏置;

步骤4.8:计算输出门输出ht=ot*Tanh(Ct),其中ht为t层输出门的输出,ot为t层输出门的门限输出,Ct为t层的记忆细胞,Tanh为Tanh激活函数;

步骤4.9:后10%数据作为测试样本,送入LSTM神经网络进行测试。