劉明堂 陳健 劉書曉 劉佳琪 吳思琪 江恩慧 劉雪梅

摘?要：針對(duì)懸移質(zhì)含沙量在線測(cè)量易受環(huán)境因素干擾的問題，通過分析卡爾曼濾波（Kalman filter）特性與概率神經(jīng)網(wǎng)絡(luò)（PNN）數(shù)據(jù)融合特點(diǎn)，提出基于卡爾曼濾波和概率神經(jīng)網(wǎng)絡(luò)（Kalman-PNN）的協(xié)同融合模型。首先應(yīng)用卡爾曼濾波器對(duì)含沙量傳感器輸出值進(jìn)行無(wú)偏估計(jì)，減少含沙量傳感器的噪聲干擾;然后將含沙量信息和水溫、深度、流速等環(huán)境信息進(jìn)行多源數(shù)據(jù)融合處理，進(jìn)一步消除環(huán)境因素對(duì)含沙量測(cè)量的影響;最后經(jīng)過Kalman-PNN協(xié)同融合處理，得到更加精確的含沙量實(shí)測(cè)值。為了驗(yàn)證Kalman-PNN協(xié)同融合模型的數(shù)據(jù)處理效果，在相同試驗(yàn)條件下進(jìn)行了一元線性回歸（ULR）模型、多元線性回歸（MLR）模型、PNN模型與BP神經(jīng)網(wǎng)絡(luò)模型的含沙量數(shù)據(jù)處理。通過誤差比較分析發(fā)現(xiàn)，基于Kalman-PNN協(xié)同融合模型的試驗(yàn)數(shù)據(jù)平均絕對(duì)誤差僅為11.72 kg/m3，而一元線性回歸模型、多元線性回歸模型、PNN模型與BP神經(jīng)網(wǎng)絡(luò)模型的分別為103.12、56.02、12.47、49.81 kg/m3。試驗(yàn)結(jié)果表明，基于Kalman-PNN的協(xié)同融合模型對(duì)含沙量測(cè)量精度的提升具有積極作用。

關(guān)鍵詞：懸移質(zhì)含沙量;在線測(cè)量;卡爾曼濾波;概率神經(jīng)網(wǎng)絡(luò);協(xié)同融合

中圖分類號(hào)：TV149;TP274+.4?文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1000-1379.2021.05.003

Abstract： Aiming at the issues of susceptibility to environmental factors in the online measurement of suspended sediment concentration， by analyzing the characteristics of Kalman filter and Probabilistic Neural Network （PNN） data fusion， a new method based on the collaborative fusion model of Kalman and PNN （Kalman-PNN） was firstly applied Kalman filter to unbiased estimation of the output of the sand content sensor to reduce the noise interference of the sand content sensor; multi-source data fusion processing of environmental temperature information such as water temperature， depth and flow velocity further eliminated the influence of environmental factors on sand content measurement. Finally， the Kalman-PNN fusion processing was performed to obtain more accurate measured sand content values. In order to illustrate the data processing effect of the Kalman-PNN fusion model， under the same experimental conditions， it conducted data processing of sediment concentration by using univariate linear regression （ULR） model， multiple linear regression （MLR） model， PNN model and BP neural network model. Through error comparison analysis， the average absolute error of experimental data based on the Kalman-PNN fusion model was only 11.72 kg/m3， while the univariate linear regression model， multiple linear regression model， PNN model and BP neural network model were 103.12 kg/m3， 56.02 kg/m3， 12.47 kg/m3 and 49.81 kg/m3 respectively. The experimental results show that the Kalman-PNN-based collaborative fusion model has a positive effect on improving the accuracy of sediment concentration measurement.

Key words： suspended sediment content; online measurement; Kalman filter; probabilistic neural network; collaborative fusion model

泥沙問題在黃河研究及其各類規(guī)劃中占有不可或缺的重要地位[1-2]。長(zhǎng)期以來，人們一直嘗試?yán)酶鞣N方法對(duì)懸移質(zhì)含沙量進(jìn)行測(cè)量。比重瓶法屬于人工取樣比重法，其測(cè)量結(jié)果較為準(zhǔn)確，但操作步驟煩瑣、數(shù)據(jù)結(jié)果獲取周期長(zhǎng)，難以滿足含沙量在線測(cè)量的時(shí)效性要求，通常只作為一段時(shí)間內(nèi)的數(shù)據(jù)參考[3]。目前，具有現(xiàn)代監(jiān)測(cè)技術(shù)的懸移質(zhì)含沙量在線測(cè)量方法有電容差壓法[4-5]、振動(dòng)法[6-7]、超聲波法[8-9]、激光法[10-11]、遙感法[12-13]等。這些在線測(cè)量方法具有實(shí)時(shí)性強(qiáng)、數(shù)據(jù)傳輸方便等優(yōu)點(diǎn)。隨著人們對(duì)數(shù)據(jù)獲取要求的不斷提高，懸移質(zhì)含沙量在線測(cè)量將是含沙量測(cè)量的一個(gè)重要方式[14]。

懸移質(zhì)泥沙組成復(fù)雜，本身具有沉降黏附的特性，加之測(cè)量現(xiàn)場(chǎng)環(huán)境復(fù)雜[15]，在實(shí)際測(cè)量時(shí)，具有電子技術(shù)的懸移質(zhì)含沙量在線測(cè)量方法一方面需要考慮含沙量監(jiān)測(cè)傳感器本身的噪聲干擾問題，另一方面，含沙量測(cè)量系統(tǒng)也受到多種環(huán)境因素的影響。因此，含沙量在線測(cè)量系統(tǒng)易受環(huán)境因素的干擾，在實(shí)際推廣應(yīng)用中具有很大的局限性[16-17]，如：振動(dòng)法穩(wěn)定性較差，受溫度影響大;基于超聲波的監(jiān)測(cè)設(shè)備運(yùn)行不穩(wěn)定、易受庫(kù)區(qū)底部水草纏繞阻擋等。

本研究采用的含沙量測(cè)量?jī)x器是基于電容差壓原理的含沙量測(cè)量?jī)x，主要結(jié)構(gòu)為兩根分別垂直嵌入到防水式金屬直桿內(nèi)的電容式傳感器，可有效防止水草纏繞。同時(shí)，卡爾曼濾波是線性隨機(jī)動(dòng)態(tài)系統(tǒng)的最優(yōu)遞推數(shù)據(jù)處理算法，在實(shí)時(shí)在線監(jiān)測(cè)數(shù)據(jù)的噪音剔除方面具有良好的效果[18-19]。概率神經(jīng)網(wǎng)絡(luò)是一種收斂速度快、容錯(cuò)性強(qiáng)的統(tǒng)計(jì)學(xué)習(xí)方法，非常適用于數(shù)據(jù)的實(shí)時(shí)處理[20-21]。筆者通過分析卡爾曼濾波特性與概率神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理特點(diǎn)，采用電容差壓法在線測(cè)量懸移質(zhì)含沙量信息，提出了基于卡爾曼濾波和概率神經(jīng)網(wǎng)絡(luò)（Kalman-PNN）的協(xié)同融合模型，首先應(yīng)用卡爾曼濾波器對(duì)含沙量傳感器輸出值進(jìn)行濾波，減少含沙量傳感器的噪聲干擾;然后將含沙量信息和水溫、深度、流速等環(huán)境信息進(jìn)行多源數(shù)據(jù)融合處理，進(jìn)一步消除環(huán)境因素對(duì)含沙量測(cè)量的影響，得出更加精確的含沙量信息。

1?試驗(yàn)材料與方法

1.1?試驗(yàn)材料

試驗(yàn)選取平均粒徑176.47 μm、中值粒徑96.56 μm的粉煤灰作為試驗(yàn)材料，其粒徑分析如圖1所示。每次試驗(yàn)在圓桶中投入定量的粉煤灰，總共投入160次，最大的含沙量計(jì)算值為608 kg/m3。在用比重瓶獲取含沙量實(shí)測(cè)值的同時(shí)，測(cè)量電容差壓傳感器輸出值（Z）、水溫（T）、流速（S）和深度（H），Z值表示加沙過程中含沙量信息通過電容差壓傳感器轉(zhuǎn)換的電流值。

1.2?系統(tǒng)結(jié)構(gòu)

在數(shù)據(jù)處理之前，需要構(gòu)建硬件系統(tǒng)來采集數(shù)據(jù)。首先，將電容差壓傳感器末端與深度傳感器、溫度傳感器、流速傳感器末端通過支架連接在一起，保證各傳感器測(cè)量的同時(shí)性。然后，將傳感器連接體垂直放入圓桶中，通過調(diào)節(jié)支架長(zhǎng)度改變深度，攪拌圓桶中的水改變流速，加熱水體改變溫度。最后，傳感器采集的信息通過PLC控制系統(tǒng)傳至計(jì)算機(jī)，進(jìn)而進(jìn)行基于Kalman-PNN協(xié)同融合模型的數(shù)據(jù)處理。試驗(yàn)時(shí)，傳感器傾斜度≤34°，測(cè)點(diǎn)水流速度≤0.4 m/s，水溫范圍為0～45 ℃，測(cè)點(diǎn)深度>0.4 m。系統(tǒng)的硬件結(jié)構(gòu)如圖2所示。

1.3?卡爾曼濾波

卡爾曼濾波的基本原理是根據(jù)上一時(shí)刻的數(shù)值，以方差為紐帶，對(duì)當(dāng)前時(shí)刻數(shù)值進(jìn)行預(yù)測(cè)，結(jié)合誤差分析進(jìn)行無(wú)偏估計(jì)，最后得到當(dāng)前時(shí)刻的真值。根據(jù)研究需要，這里只研究單序列變量的卡爾曼濾波，其計(jì)算步驟如下[22-23]。

首先根據(jù)上一時(shí)刻的狀態(tài)值進(jìn)行當(dāng)前時(shí)刻狀態(tài)值的預(yù)測(cè)：

在得到k時(shí)刻的狀態(tài)預(yù)測(cè)值后，可以對(duì)狀態(tài)預(yù)測(cè)值進(jìn)行誤差分析，由此來量化狀態(tài)預(yù)測(cè)的誤差，表達(dá)式如下：

根據(jù)k時(shí)刻卡爾曼增益與k時(shí)刻新息序列值，結(jié)合k時(shí)刻的預(yù)測(cè)值可得k時(shí)刻的估計(jì)值X（k）。

進(jìn)而，k時(shí)刻的預(yù)測(cè)值方差S1（k）得以更新。

自此，可以再次采用式（1）進(jìn)行k+1時(shí)刻的狀態(tài)值預(yù)測(cè)，最后實(shí)現(xiàn)對(duì)整個(gè)序列的濾波。值得注意的是，當(dāng)k=0時(shí)，需提前定義X（0|0）與S1（0|0）的初值。

1.4?概率神經(jīng)網(wǎng)絡(luò)

由基本神經(jīng)元規(guī)則連接而成的網(wǎng)絡(luò)稱為神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)在懸移質(zhì)含沙量測(cè)量方面具有良好的效果[24-25]。概率神經(jīng)網(wǎng)絡(luò)（PNN）在RBF神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上融合了密度函數(shù)估計(jì)與貝葉斯決策理論，對(duì)錯(cuò)誤以及噪聲具有較強(qiáng)的容錯(cuò)性，沒有局部極小值問題[26-28]。

PNN一般由輸入層、模式層、求和層和輸出層組成。其中輸入層將含沙量和環(huán)境變量數(shù)據(jù)傳輸給網(wǎng)絡(luò)，其神經(jīng)元數(shù)目對(duì)應(yīng)特征向量N=[X1（k），X2（k），X3（k），X4（k）]的特征分量數(shù)，即輸入層有4個(gè)神經(jīng)元。模式層神經(jīng)元數(shù)與訓(xùn)練樣本數(shù)相同，即若取H個(gè)樣本對(duì)PNN進(jìn)行訓(xùn)練，則其模式層就有H個(gè)節(jié)點(diǎn)神經(jīng)元。訓(xùn)練時(shí)將訓(xùn)練樣本作為輸入層與模式層間的初始權(quán)值，免去權(quán)值的修正，大大縮短訓(xùn)練時(shí)間。模式層第c類的第p層神經(jīng)元輸出表達(dá)式為

式中：β為平滑參數(shù);h為特征維數(shù)，h=4;c為待分類數(shù)據(jù)樣本的類別數(shù)，c=1～21;p為每類數(shù)據(jù)樣本的樣本數(shù)，p=1～H;xcp為第c類中的第p個(gè)數(shù)據(jù)。

求和層神經(jīng)元的節(jié)點(diǎn)數(shù)等于數(shù)據(jù)樣本的類別數(shù)，即對(duì)21種分類問題，求和層節(jié)點(diǎn)神經(jīng)元數(shù)為21。求和層對(duì)模式層每類神經(jīng)元的輸出結(jié)果取求和平均，將Pc（x）的最大值作為輸出層的輸出。

1.5?Kalman-PNN協(xié)同融合模型

Kalman-PNN協(xié)同融合模型由卡爾曼濾波器和概率神經(jīng)網(wǎng)絡(luò)有機(jī)組成。模型首先通過卡爾曼濾波器對(duì)含沙量傳感器測(cè)量值Z（k）進(jìn)行濾波，得到一組模擬預(yù)測(cè)數(shù)值X（k），然后將這組數(shù)據(jù)作為概率神經(jīng)網(wǎng)絡(luò)的一個(gè)輸入，與卡爾曼濾波后的溫度、流速、深度等自然因素變量進(jìn)行歸一化。經(jīng)輸入層、模式層和求和層處理以后，經(jīng)概率神經(jīng)網(wǎng)絡(luò)輸出層輸出含沙量測(cè)量結(jié)果Y。Kalman-PNN協(xié)同融合模型結(jié)構(gòu)如圖3所示，f（x）為網(wǎng)絡(luò)傳遞函數(shù)，W為神經(jīng)元權(quán)重系數(shù)矩陣，θi（1≤i≤20）為神經(jīng)元閾值。

概率神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)一共4個(gè)，即X1（k）、X2（k）、X3（k）、X4（k），其中X1（k）為經(jīng)過Kalman濾波的含沙量傳感器測(cè)量值;X2（k）為經(jīng)過Kalman濾波的流速值;X3（k）為經(jīng)過Kalman濾波的溫度值;X4（k）為經(jīng)過Kalman濾波的深度值。由于輸入數(shù)據(jù)中存在奇異值樣本，如X4（k）所代表的深度數(shù)據(jù)與X2（k）所代表的流速數(shù)據(jù)相差好幾個(gè)量級(jí)，可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)無(wú)法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行擬合，因此數(shù)據(jù)在進(jìn)入概率神經(jīng)網(wǎng)絡(luò)輸入層之前，需要對(duì)輸入?yún)?shù)進(jìn)行歸一化。

2?結(jié)果與討論

依據(jù)試驗(yàn)獲取的數(shù)據(jù)，分別使用Kalman-PNN模型、PNN模型、BP神經(jīng)網(wǎng)絡(luò)模型、一元（ULR）與多元（MLR）線性回歸模型對(duì)數(shù)據(jù)進(jìn)行處理，然后進(jìn)行誤差比較分析。

2.1?模型分析

2.1.1?Kalman-PNN協(xié)同融合模型分析

將數(shù)據(jù)代入Kalman-PNN協(xié)同融合模型，處理效果如圖4所示。從圖4可以清晰地看出Kalman-PNN協(xié)同融合模型輸出曲線始終跟隨含沙量真值，最大絕對(duì)誤差為40.30 kg/m3，平均絕對(duì)誤差為11.72 kg/m3，具有良好的數(shù)據(jù)擬合效果。

2.1.2?卡爾曼濾波分析

卡爾曼濾波適用于單輸入、單輸出的系統(tǒng)。本研究中，共有含溫度、流速、深度等環(huán)境信息的含沙量數(shù)據(jù)160組，選取其中的電容差壓傳感器測(cè)量值替代含沙量值作為濾波對(duì)象，截取濾波結(jié)果的部分區(qū)域如圖5所示。從圖5中可以看出，傳感器測(cè)量值隨測(cè)試組數(shù)大體呈周期性變化，但相鄰測(cè)試組之間數(shù)值波動(dòng)較大，不具有可信性。經(jīng)過Kalman濾波的數(shù)值，除開始階段測(cè)量值不斷階梯性增加外，始終在固定區(qū)域波動(dòng)，具有明顯的規(guī)律性與穩(wěn)定性，整體濾波效果較好。

2.2?誤差分析

各模型誤差對(duì)比見表1。Kalman-PNN模型誤差最小，平均絕對(duì)誤差為11.72 kg/m3，最大絕對(duì)誤差為40.30 kg/m3，均方根誤差為16.59 kg/m3。而沒有經(jīng)過濾波的PNN模型平均絕對(duì)誤差為12.47 kg/m3，最大絕對(duì)誤差為52.39 kg/m3，均方根誤差為17.96 kg/m3，均比經(jīng)過Kalman濾波后的誤差大。誤差最大的是經(jīng)過Kalman濾波后的一元線性回歸模型，平均絕對(duì)誤差達(dá)103.12 kg/m3，最大絕對(duì)誤差為257.79 kg/m3，均方根誤差為120.37 kg/m3。經(jīng)比較，Kalman-PNN協(xié)同融合模型在提高含沙量測(cè)量精度方面更具優(yōu)勢(shì)。

各模型的絕對(duì)誤差對(duì)比如圖6所示。從圖6（b）（c）（d）可以看出，隨著含沙量的增大，Kalman-BP和Kalman-ULR模型絕對(duì)誤差均具有增大的趨勢(shì)，PNN模型和Kalman-PNN協(xié)同融合模型雖然變化趨勢(shì)相近，但從表1可知PNN模型均方根誤差大于Kalman-PNN協(xié)同融合模型的。所以，基于Kalman-PNN協(xié)同融合模型的電容差壓法較適合應(yīng)用在高含沙水體的含沙量測(cè)量中。

3?結(jié)?語(yǔ)

通過分析卡爾曼濾波特性和概率神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理特點(diǎn)，提出了Kalman-PNN協(xié)同融合模型，對(duì)除含沙量以外的水溫、深度和流速等環(huán)境信息也進(jìn)行數(shù)據(jù)融合處理，進(jìn)而對(duì)含沙量數(shù)據(jù)進(jìn)行修正與數(shù)據(jù)補(bǔ)償，得出更加精確的含沙量數(shù)值。

含沙量的量程為0～608 kg/m3、電容差壓法傳感器傾斜度≤34°、測(cè)點(diǎn)水流速度≤0.4 m/s、水溫范圍0～45 ℃、測(cè)點(diǎn)深度>0.4 m時(shí)可以取得比較好的含沙量測(cè)量效果;通過2種單模型與4種融合模型的誤差對(duì)比分析發(fā)現(xiàn)，Kalman-PNN協(xié)同融合模型平均絕對(duì)誤差為11.72 kg/m3，最大絕對(duì)誤差為40.30 kg/m3，均方根誤差為16.59 kg/m3，比其他方法相對(duì)較好;隨著含沙量增加至608 kg/m3，Kalman-PNN協(xié)同融合模型平均絕對(duì)誤差最小，均方根誤差也小于其他模型的。因此，在大范圍的含沙量測(cè)量中，基于Kalman-PNN協(xié)同融合模型的電容差壓法更具有優(yōu)勢(shì)。

參考文獻(xiàn)：

[1]?穆興民，王萬(wàn)忠，高鵬，等.黃河泥沙變化研究現(xiàn)狀與問題[J].人民黃河，2014，36（12）：1-7.

[2]?張永平，牛長(zhǎng)喜，李德貴，等.強(qiáng)場(chǎng)極測(cè)沙儀原型機(jī)試驗(yàn)研究[J].人民黃河，2018，40（12）：9-13.

[3]?CHRISTOPHER W， ANDREAS H， JULIE J. Deriving Spatial and Temporal Context for Point Measurements of Suspended-Sediment Concentration Using Remote-Sensing Imagery in the Mekong Delta[J].Continental Shelf Research，2017，147：231-245.

[4]?劉明堂，辛艷輝，李黎，等.基于電容差壓的小浪底水庫(kù)含沙量監(jiān)測(cè)系統(tǒng)[J].人民黃河，2010，32（1）：40-42.

[5]?HSU Y S， WEI C M， TING Y C， et al. Capacitive Sensing Technique for Silt Suspended Sediment Concentration Monitoring[J].Biosensors and Bioelectronics，2017，92：741-747.

[6]?宋書克，張金水，馬志華，等.振動(dòng)法在線監(jiān)測(cè)黃河小浪底排沙洞高速水流含沙量[C]//水利部小浪底水利樞紐管理中心.中國(guó)大壩協(xié)會(huì)2015學(xué)術(shù)年會(huì)論文集.鄭州：水利部小浪底水利樞紐管理中心，2015：189-193.

[7]?PEDOCCHI F， GARCIA M H. Acoustic Measurement of Suspended Sediment Concentration Profiles in an Oscillatory Boundary Layer[J].Continental Shelf Research，2012，46：87-95.

[8]?張民曦，嚴(yán)建明，王賢奔，等.超聲波振動(dòng)儀器在采用沉降法進(jìn)行粘性泥沙粒徑分析中的應(yīng)用[J].水利水電技術(shù)，2014，45（2）：100-103.

[9]?WROBEL B M， TIME R W. Ultrasonic Measurement and Characterization of a Low Concentration System of Solid Particles in Liquid， in High Shear Flow[J].Applied Acoustics，2012，73（2）：117-131.

[10]?FELIX D， ALBAYRAK I， BOES R M. Laboratory Investigation on Measuring Suspended Sediment by Portable Laser Diffractometer （LISST） Focusing on Particle Shape[J].Geo-Marine Letters， 2013，33（6）：485-498.

[11]?FELIX D， ALBAYRAK I， BOES R M. Continuous Measurement of Suspended Sediment Concentration： Discussion of Four Techniques[J].Measurement，2016，89：44-47.

[12]?楊佳，范建容，張茜彧，等.Ⅱ類水體懸移質(zhì)泥沙含量遙感反演綜述[J].人民長(zhǎng)江，2019，50（7）：98-103.

[13]?DANG T D， COCHRANE T A， ARIAS M E. Quantifying Suspended Sediment Dynamics in Mega Deltas Using Remote Sensing Data： a Case Study of the Mekong Floodplains[J].International Journal of Applied Earth Observation and Geoinformation，2018，68：105-115.

[14]?RAI A K， KUMAR A. Continuous Measurement of Suspended Sediment Concentration： Technological Advancement and Future Outlook[J].Measurement，2015，76：209-227.

[15]?展小云，曹曉萍，郭明航，等.徑流泥沙監(jiān)測(cè)方法研究現(xiàn)狀與展望[J].中國(guó)水土保持，2017（6）：13-17.

[16]?GRAY J R. Technological Advances in Suspended-Sediment Surrogate Monitoring[J].Water Resources Research，2009，45（4）：7-29.

[17]?劉明堂.基于多源多尺度數(shù)據(jù)融合的黃河含沙量檢測(cè)模型研究[D].鄭州：鄭州大學(xué)，2015：1-2.

[18]?馬琪然，杜坤，周明，等.基于改進(jìn)卡爾曼濾波的供水管網(wǎng)爆管檢測(cè)研究[J].中國(guó)給水排水，2019，35（17）：69-73.

[19]?ALTUNKAYNAK A. Suspended Sediment Concentration Prediction by Geno-Kalman Filtering[J].Expert Systems with Applications，2010，37（12）：8583-8589.

[20]?王立文，劉強(qiáng)，霍金鑒，等.基于概率神經(jīng)網(wǎng)絡(luò)的液壓管路泄漏故障程度識(shí)別[J].機(jī)床與液壓，2020，48（4）：159-164.

[21]?黃新波，章小玲，張燁，等.基于徑向基概率神經(jīng)網(wǎng)絡(luò)的輸電導(dǎo)線缺陷狀態(tài)識(shí)別[J].電力系統(tǒng)自動(dòng)化，2020，44（3）：201-214.

[22]?劉明堂，田壯壯，齊慧勤，等.基于Kalman-BP融合模型的含沙量測(cè)量[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2016，24（5）：970-977.

[23]?GAO K， ZHUANG Y W， WANG J， et al. An Improved Unscented Kalman Filter for Satellite Tracking[J]. Optical Sensing and Imaging Technology and Application，2018，9：356-372.

[24]?GHOSE D K， SAMANTARAY S. Modelling Sediment Concentration Using Back Propagation Neural Network and Regression Coupled with Genetic Algorithm[J].Procedia Computer Science， 2018，125：85-92.

[25]?BISOYI N， GUPTA H， PADHY N P， et al. Prediction of Daily Sediment Discharge Using a Back Propagation Neural Network Training Algorithm： a Case Study of the Narmada River，India[J].International Journal of Sediment Research，2019，34（2）：125-135.

[26]?李麗麗，陳琨，高建民，等.采用優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的質(zhì)量異常識(shí)別方法[J/OL].（2020-03-13）[2020-08-20].http：//kns.cnki.net/kcms/detail/11.5946.tp.20200312.1725.016.html.

[27]?劉貝貝.基于概率神經(jīng)網(wǎng)絡(luò)集成的關(guān)鍵工序質(zhì)量控制[D].昆明：昆明理工大學(xué)，2018：23-25.

[28]?劉明堂，司孝平.基于物聯(lián)網(wǎng)的黃河含沙量數(shù)據(jù)融合技術(shù)研究[J].泥沙研究，2012，37（1）：6-10.

【責(zé)任編輯?張?帥】