基于KAF-RBF协同融合的悬移质含沙量测量方法技术

本发明专利技术公开了基于KAF

【技术实现步骤摘要】
基于KAF
‑
RBF协同融合的悬移质含沙量测量方法


[0001]本专利技术涉及河道含沙量测量领域，特别涉及基于KAF
‑
RBF协同融合的悬移质含沙量测量方法。

技术介绍

[0002]河道含沙量是水工建筑设计、水资源规划的重要依据之一，对河道泥沙进行测量也是水文水资源观测的重要任务。目前，国内外大多数的水文观测站采用瞬时采样器来测量河道泥沙，然而，这种采样器普遍存在误差较大、人工耗费大、测试时间过久以及安全隐患等问题。近些年来，电容差压法、振动法，以及超声波等技术被广泛应用于含沙量测量，电容法易受温度影响，在实际测量中，流速等也会对测量结果造成很大干扰，适用条件十分受限；振动法测量仪器体积较大，且受水深、流速影响，不适用于河道中的泥沙测量；超声波技术在河道悬移质泥沙测量表现相对较好，但该方法只适用于河道含沙量较小的情况，当含沙量较大时测量误差较大，针对这些问题，本申请提出了一种解决方案。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种基于KAF
‑
RBF协同融合的悬移质含沙量测量方法，能够剔除仪器自身的噪声干扰以及坏境因素会对泥沙的测量产生的干扰，有效提高超声波法的含沙量测量适用区间和提高测量精度。
[0004]技术方案：本专利技术所述的基于KAF
‑
RBF协同融合的悬移质含沙量测量方法，具体包括以下步骤：
[0005]S1：构建超声波测量系统，所述超声波测量系统包括有检测模块、噪声剔除模块、数据融合处理模块和输出模块；
[0006]S2：对检测模块中超声波探头采集到的河道水流信号幅值M(n)采用核自适应滤波器进行处理，剔除接收到的信号幅值M(n)中存在的传感器本身的噪声干扰，得到处理后的真实信号幅值M
t
(n)；
[0007]S3：对真实信号幅值M
t
(n)利用反演算法初步获取河道泥沙信息：单位体积含沙量S 以及泥沙粒径r；
[0008]S4：将初步获取的河道泥沙信息以及测量区距离d、水深h、水温T和流速v输入到 RBF神经网络模型中进行训练，所述RBF神经网络模型中的隐含层到输出层是线性映射，映射函数的权通过线性函数解出，RBF神经网络模型的基函数为高斯函数：
[0009][0010]其中φ
j
是隐含层中的第j个节点输出，C
j
是高斯基函数的中心值，隐含层节点数为 M，σ是标准化常数；
[0011]隐含层的节点输出的线性组合经过输出层的输出函数为：
[0012][0013]其中p为节点个数，w
ij
为网络输出加权值；
[0014]S5：RBF神经网络模型利用输出值和实测值的误差，以均方误差最小为原则，求出输出层的权值，最终得到剔除了噪声干扰和环境干扰的含沙量值S
t
。
[0015]作为优选，所述S1中检测模块包括有超声波探头、水温计、流速计、水深计和压强计，所述超声波探头采用多频超声波探头。
[0016]作为优选，所述S2中真实信号幅值M
t
(n)的求解方式具体为：超声波探头的发射频率为f，输入核自适应滤波器的信号幅值为M(n)，期望信号(干扰信号的期望)D(n)， D(n)经过核自适应滤波器后输出值为y(n)，M(n)与y(n)相减得到误差e(n)后重新输入核自适应滤波器，自动更新权重系数和向量参数，当误差收敛时，则输出值y(n)逼近真实的噪声，从而e(n)逼近真实信号幅值M
t
(n)。
[0017]作为优选，所述S2中核自适应滤波器需要限定的频率与超声波探头的发射频率相同。
[0018]作为优选，所述S3中利用反演算法初步获得河道泥沙信息具体包括有以下步骤：
[0019]S3.1：由于超声波在介质中传播会产生衰减，计算声压变化：
[0020]I＝I0e
‑
ax
[0021]其中I0为初始声压，a表示声衰系数，x表示传播距离；
[0022]S3.2：利用超声波探头在测量区的一次回波A1和二次回波A2计算声衰系数：
[0023]M1＝e
‑
2αpdp
R
p,s
M
i
[0024]M2＝e
‑
2αpdp
(1
‑
R
2p,s
)R
s,w
M
i
e
‑
2αd
[0025]其中M1表示第一次回波信号幅值，M2表示第二次回波信号幅值，M
i
表示原来信号幅值，a表示声衰系数，d表示测量区距离，R
p,s
表示超声波探头玻璃到待测区的发射系数，R
s,w
表示待测区到反射板的反射系数，由此可得声衰系数a表示如下：
[0026][0027]S3.3：变化超声波探头频率以计算不同的声衰系数a，得到超声衰减谱，从而得到泥沙粒径r的分布情况；
[0028]S3.4：根据声压变化方程，获得初步的含沙量信息：
[0029][0030]其中S为单位体积含沙量，M
i
表示原来信号幅值，d表示测量区距离，表示散射修正系数，k
s
表示颗粒散射系数由粒径大小确定，k
t
表示系统参数，a表示声衰系数。
[0031]有益效果：本申请能够剔除仪器上的噪声干扰，减小环境因素对测量的影响，从而进一步提升超声波预测河道泥沙的精度和扩大泥沙粒径的适用区间。
附图说明
[0032]图1是本申请的流程示意图；
[0033]图2是本申请中协和模型的架构图；
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]如图1
‑
2所示，本申请具体包括以下步骤：
[0036]S1：构建超声波测量系统，所述超声波测量系统包括有检测模块、噪声剔除模块、数据融合处理模块和输出模块；
[0037]其中检测模块包括有超声波探头、水温计、流速计、水深计和压强计，在本实施例中超声波探头采用多频超声波探头；
[0038]S2：对检测模块中超声波探头采集到的河道水流信号幅值M(n)采用核自适应滤波器进行处理，剔除接收到的信号幅值M(n)中存在的传感器本身的噪声干扰，得到处理后的真实信号幅值M
t
(n)；
[0039]其中核自适应滤波器的限定频率与超声波探头的发射频率相同，具体的为：
[0040]超声波探头的发射频率为f，输入核自适应滤波器的信号幅值为M(n)，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于KAF
‑
RBF协同融合的悬移质含沙量测量方法，其特征在于：具体包括以下步骤：S1：构建超声波测量系统，所述超声波测量系统包括有检测模块、噪声剔除模块、数据融合处理模块和输出模块；S2：对检测模块中超声波探头采集到的河道水流信号幅值M(n)采用核自适应滤波器进行处理，剔除接收到的信号幅值M(n)中存在的传感器本身的噪声干扰，得到处理后的真实信号幅值M
t
(n)；S3：对真实信号幅值M
t
(n)利用反演算法初步获取河道泥沙信息：单位体积含沙量S以及泥沙粒径r；S4：将初步获取的河道泥沙信息以及测量区距离d、水深h、水温T和流速v输入到RBF神经网络模型中进行训练，所述RBF神经网络模型中的隐含层到输出层是线性映射，映射函数的权通过线性函数解出，RBF神经网络模型的基函数为高斯函数：其中φ
j
是隐含层中的第j个节点输出，C
j
是高斯基函数的中心值，隐含层节点数为M，σ是标准化常数；隐含层的节点输出的线性组合经过输出层的输出函数为：其中p为节点个数，w
ij
为网络输出加权值；S5：RBF神经网络模型利用输出值和实测值的误差，以均方误差最小为原则，求出输出层的权值，最终得到剔除了噪声干扰和环境干扰的含沙量值S
t
。2.根据权利要求1所述的基于KAF
‑
RBF协同融合的悬移质含沙量测量方法，其特征在于：所述S1中检测模块包括有超声波探头、水温计、流速计、水深计和压强计，所述超声波探头采用多频超声波探头。3.根据权利要求1所述的基于KAF
‑
RBF协同融合的悬移质含沙量测量方法，其特征在于：所述S2中真实信号幅值M
t
(n)的求解方式具体为：超声波探头的发射频率为f，输入核自适应滤波器的信号幅值为M(n)，期望信号(干扰信号的期望)D(n)，D(n)经过核自适应滤波器后输出值为y(n)，M(n)与y(n)相减得到误差e(n)后重新输入核自适应滤波器，自动更新...

【专利技术属性】
技术研发人员：李敏，张铭锋，
申请(专利权)人：扬州大学，
类型：发明
国别省市：