一种电容式传感器测量含沙量的数据融合方法技术

本发明专利技术涉及一种电容式传感器测量含沙量的数据融合方法，属于河流含沙量测量技术领域。本发明专利技术包括步骤：使用多传感器同步采集电容、水温、电导率等数据信息；对各项数据进行异常值识别，对异常值进行剔除后采用插值法进行补充；采用Sage

【技术实现步骤摘要】
一种电容式传感器测量含沙量的数据融合方法


[0001]本专利技术涉及一种电容式传感器测量含沙量的数据融合方法，尤其涉及一种基于Sage
‑
Husa自适应卡尔曼滤波
‑
LSTM的电容式传感器测量含沙量的数据融合方法，属于河流含沙量测量


技术介绍

[0002]径流泥沙是衡量土壤侵蚀的重要参数之一，可为土壤侵蚀动力过程的模拟与研究、土壤侵蚀预报模型的建立等提供基础资料，为水土流失的监测、防治等提供科学依据。目前常见的河流含沙量测量方法可分为直接测量方法和间接测量方法。直接测量方法包括：烘干称重法和置换法。间接测量方法包括：光学法、声学法、振动法、电容法、同位素法等。以上几种含沙量测量方法存在着各种不足：
[0003]1)烘干称重法测量周期长，过程繁琐；
[0004]2)光学法受介质颜色和粒径影响大，测量范围窄，成本高；
[0005]3)声学法成本价格昂贵，测量范围小；
[0006]4)振动法受水速影响较大，在水速低于0.5m/s时会堵振动管；
[0007]5)同位素本文档来自技高网...

【技术保护点】

【技术特征摘要】
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C
t
、水温T
t
、电导率σ
t
，用烘干称重法测定测量点的含沙量信息作为实际含沙量CS
t
，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C
t
、水温T
t
和电导率σ
t
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，x
t
为正常值，对正常值予以保留，当时，x
t
为异常值，对异常值进行剔除，其中x
t
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x
m
，采用线性插值法计算新的估算值其中为单点异常值x
m
的估算值，x
m
‑1为单点异常值x
m
前一时刻的正常值，x
m+1
为单点异常值x
m
后一时刻的正常值，对于第p时刻的区域异常值x
p
∈(x
t
，x
t+1
，x
t+2
，
…
，x
t+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x
p
的估算值，x
t
‑1为该异常区域的首个异常值x
t
前一时刻的正常值，x
t+n+1
为该异常区域的末位异常值x
t+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C
t
、水温T
t
和电导率σ
t
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，A
T
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d
k
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，H
T
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，d
k
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，d
k
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...

【专利技术属性】
技术研发人员：车国霖，邓罗晟，王剑平，金建辉，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：