CN115451803A - 基于gnss与测量机器人融合的水闸实时监测预警方法 - Google Patents
基于gnss与测量机器人融合的水闸实时监测预警方法 Download PDFInfo
- Publication number
- CN115451803A CN115451803A CN202211139747.6A CN202211139747A CN115451803A CN 115451803 A CN115451803 A CN 115451803A CN 202211139747 A CN202211139747 A CN 202211139747A CN 115451803 A CN115451803 A CN 115451803A
- Authority
- CN
- China
- Prior art keywords
- data
- gnss
- monitoring
- robot
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提出基于GNSS与测量机器人融合的水闸实时监测预警方法，所述方法先将全球导航卫星系统GNSS对水闸的原始监测数据进行去噪处理，再用去噪后的数据训练BPNN神经网络模型，使神经网络模型能将GNSS监测数据与测量机器人对水闸的监测数据进行融合，当测量机器人无法工作时，神经网络模型基于GNSS对水闸测量的实时低精度数据，模拟得出使用测量机器人对水闸测量的实时高精度数据；本发明能通过GNSS测量的实时低精度数据模拟获得测量机器人的实时高精度数据，即使在台风、暴雨等测量机器人难以准确测量的极端气候，也能实现全天候、高频率的高精度测量。
Description
技术领域
本发明涉及水闸变形监测技术领域，尤其是基于GNSS与测量机器人融合的水闸实时监测预警方法。
背景技术
目前水闸变形监测技术以人工操纵和观测仪器进行监测为主，人工测量精度较高但是频率较低，且受到人员操作技术水平和测量环境影响较大。
相较于传统常规的人工测量方法，全球导航卫星系统(global navigationsatellite system,GNSS)具有高频次、全天候、连续性和实时性的优点，且GNSS设备具有良好的自动化和集成性能，工作性能良好，在变形监测的应用上已取得许多试验研究成果。但是使用GNSS定位方法存在卫星信号被遮挡及多路径效应影响的问题，监测数据存在大量噪声，精度明显不足，缺乏可靠度。
测量机器人技术在全站仪的基础上发展而来，能够进行自动驱动搜索和自主跟踪，并且能够精确照准目标获取目标方向、距离及坐标等空间信息，具有精度高、可自动化、可融合环境变量自纠差等特点。但使用测量机器人技术对测量环境能见度要求较高，且要求所有测点不受遮挡。由于水闸的运行特点，在极端气候条件下的实时安全监测对保障大坝安全运行尤为重要，而测量机器人在这种气候下精度会受到影响，甚至无法监测。
要想提高GNSS监测数据的精度，可以使用小波分析对其中存在的噪声进行处理。小波分析是目前对数据进行降尺度处理较为常用的一种方法，但是仅使用小波分析处理GNSS数据无法完全去除数据中的噪声，精度提高有限，仍不符合要求。另一方面，为了获得实时高精度的测量数据，可以使用机器学习的方法学习GNSS测量数据与测量机器人测量数据的内在联系。但是，GNSS的测量数据存在大量噪声，使得机器学习模型无法正确习得GNSS测量数据与测量机器人测量数据的关系，预测结果波动大，与测量机器人的测量数据偏差严重。
为了实现对水闸变形情况的实时监控，掌控水闸的实时位移和安全状态，并且对可能存在的安全风险做排查和预警，需要对水闸表面变形进行自动化监测。本发明先将GNSS原始监测数据进行去噪处理，再用去噪后的数据训练BPNN模型，将GNSS监测数据与测量机器人监测数据进行融合，实现优势互补，通过GNSS测量的实时低精度数据模拟获得测量机器人的实时高精度数据，即使在台风、暴雨等测量机器人难以准确测量的极端气候，也能实现全天候、高频率的高精度测量。
发明内容
本发明提出基于GNSS与测量机器人融合的水闸实时监测预警方法，能通过GNSS测量的实时低精度数据模拟获得测量机器人的实时高精度数据，即使在台风、暴雨等测量机器人难以准确测量的极端气候，也能实现全天候、高频率的高精度测量。
本发明采用以下技术方案。
基于GNSS与测量机器人融合的水闸实时监测预警方法，所述方法先将全球导航卫星系统GNSS对水闸的原始监测数据进行去噪处理，再用去噪后的数据训练BPNN神经网络模型，使神经网络模型能将GNSS监测数据与测量机器人对水闸的监测数据进行融合，当测量机器人无法工作时，神经网络模型基于GNSS对水闸测量的实时低精度数据，模拟得出使用测量机器人对水闸测量的实时高精度数据。
所述方法中，包括以下步骤；
步骤S1、采用coif13小波分析对GNSS原始监测数据进行去噪处理，以去除噪声对GNSS水闸位移监测信号的影响；具体为：选用coif13的小波基及滤波器，将GNSS原始监测数据{B}分解为M层不同频率的低频小波系数{A}与高频小波系数{D}；公式为
步骤S2、采用硬阈值函数对高频系数Dm进行阈值量化处理，获得新的高频系数
公式为
其中，
为阈值量化处理后的高频系数；λ为选取的阈值，按下式计算：
其中，δ为噪声系数的标准差，c为对应分解层次的高频系数的数目；
步骤S3、将小波分解的第m+1层的低频系数Am+1和经过阈值量化处理后的第m+1层的高频系数
进行重构，得到去噪后的上一层变形数据
公式为
其中，h(·)、g(·)分别为小波低通、高通重构滤波器；
为去噪后的第m层数据，
为去噪后的GNSS数据序列；在第M层，取
为AM；
步骤S4、为防止梯度爆炸及梯度消失的情况出现，采用Min-Max法对去噪后的数据序列
进行归一化处理；公式为
其中，{X}为归一化后的数据序列，
为第t个归一化数据，t＝1,2,…,N；
为去噪后数据序列中的最小值；
为去噪后数据序列中的最大值；
步骤S5、利用去噪后的GNSS数据序列对BPNN神经网络模型进行训练，让BPNN神经网络模型学习GNSS测量数据与测量机器人测量数据的内在关联，并利用GNSS监测数据通过该内在关联来模拟获得高精度数据；具体为：在BPNN神经网络模型中，输入归一化后的数据序列{X}获得隐藏层第q个神经元隐藏层状态hq；公式为
其中，hq为隐藏层中第q个神经元的隐藏状态；f(·)为激活函数；
为网络结构第一层中，隐藏层第q个神经元与输入层第j个监测数据时间序列间的权重系数，q＝1,2,…,Q，Q为隐藏层神经元总个数，j＝1,2,…,N，N为监测数据长度；
步骤S6、通过隐藏状态hq计算获得输出层第k个输出
即为通过去噪后的GNSS数据序列模拟获得的测量机器人监测数据；公式为
其中，
为输出层中第k个输出；
为网络结构第二层中，输出层第k个输出与隐藏层第q个神经元与的权重系数，k＝1,2,…,N，q＝1,2,…,Q；
步骤S7、为了获得GNSS测量数据与测量机器人测量数据之间准确的内在联系，利用测量机器人测量数据{B}与模型模拟数据
的均方误差MSE作为损失函数Etotal来优化模型参数；公式为
其中，Etotal为模型损失函数；
为输出层中第k个输出；Bk为测量机器人第k个监测数据；
根据不等式Etotal<E或者Epoch>Ep，判别是否进行循环，重新更新权重；若损失函数小于E或者Epoch大于Ep，则停止循环，完成模型训练，输出结果；其中，进行循环训练时更新权重ω(1)*、ω(2)*公式如下：
其中，ω(1)*、ω(2)*分别为更新后输入层到隐藏层权重与隐藏层到输出层权重；ω(1)、ω(2)分别为更新前输入层到隐藏层权重与隐藏层到输出层权重；η为学习率；
步骤S8、采用均方根误差(RMSE)以及决定系数(R2)两个指标对模型进行评价；公式为
其中，
为输出层中第k个输出；Bk为测量机器人第k个监测数据；
为测量机器人监测数据的均值；RMSE越小则说明效果就越好；R2越大表示拟合优度越好。
所述BPNN神经网络模型为含有一个隐藏层的深度学习网络，共有三层神经元。
测量机器人对水闸的监测数据为Y向的监测数据，针对水闸表面变形进行监测。
全球导航卫星系统GNSS的监测点与测量机器人的监测点处在水闸的同一个位置。
本发明提供一种基于GNSS与测量机器人融合的水闸实时监测预警方法；先将GNSS原始监测数据进行去噪处理，再用去噪后的数据训练BPNN模型，将GNSS监测数据与测量机器人监测数据进行融合，实现优势互补，通过GNSS测量的实时低精度数据模拟获得测量机器人的实时高精度数据，即使在台风、暴雨等测量机器人难以准确测量的极端气候，也能实现全天候、高频率的高精度测量。
本发明的优点在于：
1、使用coif13小波对GNSS原始监测数据进行去噪处理，减弱了数据噪声对BPNN模型的干扰，保留了原有数据的有用特性，增强了GNSS测量数据与测量机器人数据的内在关联。
2、使用去噪后的GNSS数据序列对BPNN模型进行训练，解决了水闸监控中GNSS测量频率高但是精度低、测量机器人精度高但是无法在恶劣气候下进行监测的不足，将二者优势互补，大幅提高了监测精度，且可以在测量机器人无法进行准确测量的情况下，利用去噪后的GNSS数据及BPNN模型获得模拟的高精度测量机器人监测数据。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是基于GNSS与测量机器人融合的水闸实时监测预警方法的流程示意图；
附图2是基于GNSS与测量机器人融合的水闸实时监测预警模型训练的框架示意图；
附图3是GNSS与测量机器人的原始测量数据示意图；
附图4是GNSS去噪前与去噪后的数据示意图；
附图5是用未去噪的GNSS数据对BPNN模型进行训练的结果示意图；
附图6是用去噪后的GNSS数据对BPNN模型进行训练的结果示意图。
具体实施方式
如图所示，基于GNSS与测量机器人融合的水闸实时监测预警方法，所述方法先将全球导航卫星系统GNSS对水闸的原始监测数据进行去噪处理，再用去噪后的数据训练BPNN神经网络模型，使神经网络模型能将GNSS监测数据与测量机器人对水闸的监测数据进行融合，当测量机器人无法工作时，神经网络模型基于GNSS对水闸测量的实时低精度数据，模拟得出使用测量机器人对水闸测量的实时高精度数据。
所述方法中，包括以下步骤；
步骤S1、采用coif13小波分析对GNSS原始监测数据进行去噪处理，以去除噪声对GNSS水闸位移监测信号的影响；具体为：选用coif13的小波基及滤波器，将GNSS原始监测数据{B}分解为M层不同频率的低频小波系数{A}与高频小波系数{D}；公式为
步骤S2、采用硬阈值函数对高频系数Dm进行阈值量化处理，获得新的高频系数
公式为
其中，
为阈值量化处理后的高频系数；λ为选取的阈值，按下式计算：
其中，δ为噪声系数的标准差，c为对应分解层次的高频系数的数目；
步骤S3、将小波分解的第m+1层的低频系数Am+1和经过阈值量化处理后的第m+1层的高频系数
进行重构，得到去噪后的上一层变形数据
公式为
其中，h(·)、g(·)分别为小波低通、高通重构滤波器；
为去噪后的第m层数据，
为去噪后的GNSS数据序列；在第M层，取
为AM；
步骤S4、为防止梯度爆炸及梯度消失的情况出现，采用Min-Max法对去噪后的数据序列
进行归一化处理；公式为
其中，{X}为归一化后的数据序列，
为第t个归一化数据，t＝1,2,…,N；
为去噪后数据序列中的最小值；
为去噪后数据序列中的最大值；
步骤S5、利用去噪后的GNSS数据序列对BPNN神经网络模型进行训练，让BPNN神经网络模型学习GNSS测量数据与测量机器人测量数据的内在关联，并利用GNSS监测数据通过该内在关联来模拟获得高精度数据；具体为：在BPNN神经网络模型中，输入归一化后的数据序列{X}获得隐藏层第q个神经元隐藏层状态hq；公式为
其中，hq为隐藏层中第q个神经元的隐藏状态；f(·)为激活函数；
为网络结构第一层中，隐藏层第q个神经元与输入层第j个监测数据时间序列间的权重系数，q＝1,2,…,Q，Q为隐藏层神经元总个数，j＝1,2,…,N，N为监测数据长度；
步骤S6、通过隐藏状态hq计算获得输出层第k个输出
即为通过去噪后的GNSS数据序列模拟获得的测量机器人监测数据；公式为
其中，
为输出层中第k个输出；
为网络结构第二层中，输出层第k个输出与隐藏层第q个神经元与的权重系数，k＝1,2,…,N，q＝1,2,…,Q；
步骤S7、为了获得GNSS测量数据与测量机器人测量数据之间准确的内在联系，利用测量机器人测量数据{B}与模型模拟数据
的均方误差MSE作为损失函数Etotal来优化模型参数；公式为
其中，Etotal为模型损失函数；
为输出层中第k个输出；Bk为测量机器人第k个监测数据；
根据不等式Etotal<E或者Epoch>Ep，判别是否进行循环，重新更新权重；若损失函数小于E或者Epoch大于Ep，则停止循环，完成模型训练，输出结果；其中，进行循环训练时更新权重ω(1)*、ω(2)*公式如下：
其中，ω(1)*、ω(2)*分别为更新后输入层到隐藏层权重与隐藏层到输出层权重；ω(1)、ω(2)分别为更新前输入层到隐藏层权重与隐藏层到输出层权重；η为学习率；
步骤S8、采用均方根误差(RMSE)以及决定系数(R2)两个指标对模型进行评价；公式为
其中，
为输出层中第k个输出；Bk为测量机器人第k个监测数据；
为测量机器人监测数据的均值；RMSE越小则说明效果就越好；R2越大表示拟合优度越好。
所述BPNN神经网络模型为含有一个隐藏层的深度学习网络，共有三层神经元。
测量机器人对水闸的监测数据为Y向的监测数据，针对水闸表面变形进行监测。
全球导航卫星系统GNSS的监测点与测量机器人的监测点处在水闸的同一个位置。
实施例：
本例采用的数据为某水闸GNSS位移监测点G与测量机器人监测点TR的Y向监测数据作为数据样本对基于GNSS与测量机器人融合的水闸实时监测预警系统进行验证。GNSS的监测点G与测量机器人的监测点TR处在同一个位置。采用最新8个月的监测数据进行分析，时间分辨率为1h，有效数据总长度为5048，其中80％为训练及验证数据，20％为测试数据，原始数据见图3。
从图3可以明显看出，与测量机器人的测量数据相比(图中TR_Y)，GNSS原始监测数据(图中G_Y)的波动十分严重，存在大量噪声，但是数据的趋势与测量机器人的测量数据一致，说明他们存在着内在关联。
(1)去噪处理：为去除噪声对GNSS监测数据的影响，提高监测数据的精度，采用小波分析进行去噪处理。本发明选用coif13小波对GNSS原始数据进行分解，分解最大级数M＝6。采用固定阈值，阈值大小λ＝1.5。然后用小波分解的第6层的低频系数和经过阈值量化处理后的第1层至第6层的高频系数进行重构，可得出去噪后的数据序列，去噪结果见图4。经过去噪处理后，减少了GNSS监测数据的波动，使得GNSS数据更接近测量机器人的监测数据，加强了他们的内在关联。
(2)模型构建：构建GNSS与测量机器人融合的水闸实时监测预警系统，具体公式前文已经交代，这里不再具体阐述；这里请参考图2，图2是基于GNSS与测量机器人融合的水闸实时监测预警系统模型训练的框架图。
本发明案例中采用Adam优化算法，η取0.001，批处理大小为40，隐藏神经元个数Q＝100。N为数据序列长度，N＝5048；隐藏层个数取为6层。输入序列为去噪后的GNSS监测数据，输出序列为预测的测量机器人监测数据。
在确定了基于GNSS与测量机器人融合的水闸实时监测预警系统的结构以及数据集的基础上，开始对模型进行训练，训练流程见图1。
(3)模型验证：
使用未去噪的GNSS数据对BPNN模型进行训练的结果见图5。图5的(a)、(b)、(c)分别为BPNN模型在训练期、验证期以及测试期的结果图，(d)为模型模拟结果散点图。从图5可以看出，由于受到原始监测数据中噪声的影响，BPNN模型难以正确学习得到测量机器人监测数据与GNSS监测数据的内在关联，模拟结果存在剧烈的波动，与真实值相差较大。
使用去噪后的GNSS数据对BPNN模型进行训练的结果见图6。图6的(a)、(b)、(c)分别为BPNN模型在训练期、验证期以及测试期的结果图，图6的(d)为模型模拟结果散点图。从图6可以看出，本发明所提出的模型处理后的数据与原始监测数据有着相似的波动频率，即所提出的模型并未消除原始监测数据的有用特性，且BPNN模型所模拟的测量机器人监测数据波动十分微弱，与实际监测数据高度吻合，说明BPNN模型能够正确学习GNSS监测数据与测量机器人监测数据的内在关联。测试结果的RMSE从原来的0.714降低至0.345，减少了51.2％；R2则由原来的0.878提高至0.974，提升了10.9％，精度明显提高。此外，还可以在测量机器人无法进行准确测量的情况下，利用去噪后的GNSS数据及BPNN模型获得模拟的高精度的测量机器人监测数据，填补缺失的数据。
通过对去噪前和去噪后的GNSS数据序列对BPNN模型进行训练结果的分析，本发明所提出的基于GNSS与测量机器人融合的水闸实时监测预警方法可以对GNSS与测量机器人的监测数据进行融合分析，将GNSS与测量机器人的优势进行互补。
Claims (5)
1.基于GNSS与测量机器人融合的水闸实时监测预警方法，其特征在于：所述方法先将全球导航卫星系统GNSS对水闸的原始监测数据进行去噪处理，再用去噪后的数据训练BPNN神经网络模型，使神经网络模型能将GNSS监测数据与测量机器人对水闸的监测数据进行融合，当测量机器人无法工作时，神经网络模型基于GNSS对水闸测量的实时低精度数据，模拟得出使用测量机器人对水闸测量的实时高精度数据。
2.根据权利要求1所述的基于GNSS与测量机器人融合的水闸实时监测预警方法，其特征在于：所述方法中，包括以下步骤；
步骤S1、采用coif13小波分析对GNSS原始监测数据进行去噪处理，以去除噪声对GNSS水闸位移监测信号的影响；具体为：选用coif13的小波基及滤波器，将GNSS原始监测数据{B}分解为M层不同频率的低频小波系数{A}与高频小波系数{D}；公式为
步骤S2、采用硬阈值函数对高频系数Dm进行阈值量化处理，获得新的高频系数
公式为
其中，
为阈值量化处理后的高频系数；λ为选取的阈值，按下式计算：
其中，δ为噪声系数的标准差，c为对应分解层次的高频系数的数目；
步骤S3、将小波分解的第m+1层的低频系数Am+1和经过阈值量化处理后的第m+1层的高频系数
进行重构，得到去噪后的上一层变形数据
公式为
其中，h(·)、g(·)分别为小波低通、高通重构滤波器；
为去噪后的第m层数据，
为去噪后的GNSS数据序列；在第M层，取
为AM；
步骤S4、为防止梯度爆炸及梯度消失的情况出现，采用Min-Max法对去噪后的数据序列
进行归一化处理；公式为
其中，{X}为归一化后的数据序列，
为第t个归一化数据，t＝1,2,…,N；
为去噪后数据序列中的最小值；
为去噪后数据序列中的最大值；
步骤S5、利用去噪后的GNSS数据序列对BPNN神经网络模型进行训练，让BPNN神经网络模型学习GNSS测量数据与测量机器人测量数据的内在关联，并利用GNSS监测数据通过该内在关联来模拟获得高精度数据；具体为：在BPNN神经网络模型中，输入归一化后的数据序列{X}获得隐藏层第q个神经元隐藏层状态hq；公式为
其中，hq为隐藏层中第q个神经元的隐藏状态；f(·)为激活函数；
为网络结构第一层中，隐藏层第q个神经元与输入层第j个监测数据时间序列间的权重系数，q＝1,2,…,Q，Q为隐藏层神经元总个数，j＝1,2,…,N，N为监测数据长度；
步骤S6、通过隐藏状态hq计算获得输出层第k个输出
即为通过去噪后的GNSS数据序列模拟获得的测量机器人监测数据；公式为
其中，
为输出层中第k个输出；
为网络结构第二层中，输出层第k个输出与隐藏层第q个神经元与的权重系数，k＝1,2,…,N，q＝1,2,…,Q；
步骤S7、为了获得GNSS测量数据与测量机器人测量数据之间准确的内在联系，利用测量机器人测量数据{B}与模型模拟数据{B～}的均方误差MSE作为损失函数Etotal来优化模型参数；公式为
其中，Etotal为模型损失函数；
为输出层中第k个输出；Bk为测量机器人第k个监测数据；
根据不等式Etotal<E或者Epoch>Ep，判别是否进行循环，重新更新权重；若损失函数小于E或者Epoch大于Ep，则停止循环，完成模型训练，输出结果；
其中，进行循环训练时更新权重ω(1)*、ω(2)*公式如下：
其中，ω(1)*、ω(2)*分别为更新后输入层到隐藏层权重与隐藏层到输出层权重；ω(1)、ω(2)分别为更新前输入层到隐藏层权重与隐藏层到输出层权重；η为学习率；
步骤S8、采用均方根误差(RMSE)以及决定系数(R2)两个指标对模型进行评价；公式为
其中，
为输出层中第k个输出；Bk为测量机器人第k个监测数据；
为测量机器人监测数据的均值；RMSE越小则说明效果就越好；R2越大表示拟合优度越好。
3.根据权利要求1所述的基于GNSS与测量机器人融合的水闸实时监测预警方法，其特征在于：所述BPNN神经网络模型为含有一个隐藏层的深度学习网络，共有三层神经元。
4.根据权利要求1所述的基于GNSS与测量机器人融合的水闸实时监测预警方法，其特征在于：测量机器人对水闸的监测数据为Y向的监测数据，针对水闸表面变形进行监测。
5.根据权利要求1所述的基于GNSS与测量机器人融合的水闸实时监测预警方法，其特征在于：全球导航卫星系统GNSS的监测点与测量机器人的监测点处在水闸的同一个位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211139747.6A CN115451803A (zh) | 2022-09-19 | 2022-09-19 | 基于gnss与测量机器人融合的水闸实时监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211139747.6A CN115451803A (zh) | 2022-09-19 | 2022-09-19 | 基于gnss与测量机器人融合的水闸实时监测预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115451803A true CN115451803A (zh) | 2022-12-09 |
Family
ID=84304179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211139747.6A Pending CN115451803A (zh) | 2022-09-19 | 2022-09-19 | 基于gnss与测量机器人融合的水闸实时监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115451803A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400675A (zh) * | 2023-06-09 | 2023-07-07 | 西南交通大学 | 基于改进cnn-lstm模型的故障诊断系统及方法 |
| CN117592013A (zh) * | 2024-01-12 | 2024-02-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸建筑物变形实时风险率量化与预警方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107831516A (zh) * | 2017-10-31 | 2018-03-23 | 河海大学 | 融合gnss和地面监测网获取大坝实时高精度位移的方法 |
| CN111551147A (zh) * | 2020-06-09 | 2020-08-18 | 福州大学 | 基于gnss与测量机器人融合的拱坝表面变形监测系统 |
| CN111649718A (zh) * | 2020-06-16 | 2020-09-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于北斗卫星系统的桥梁基础沉降监测算法 |
| AU2020103576A4 (en) * | 2019-12-27 | 2021-02-04 | Wuhan University | Autonomous orbit and attitude determination method of low-orbit satellite based on non-navigation satellite signal |
| WO2022007211A1 (zh) * | 2020-07-10 | 2022-01-13 | 自然资源部第一海洋研究所 | 一种基于gnss的实时高精度波浪测量方法及装置 |
-
2022
- 2022-09-19 CN CN202211139747.6A patent/CN115451803A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107831516A (zh) * | 2017-10-31 | 2018-03-23 | 河海大学 | 融合gnss和地面监测网获取大坝实时高精度位移的方法 |
| AU2020103576A4 (en) * | 2019-12-27 | 2021-02-04 | Wuhan University | Autonomous orbit and attitude determination method of low-orbit satellite based on non-navigation satellite signal |
| CN111551147A (zh) * | 2020-06-09 | 2020-08-18 | 福州大学 | 基于gnss与测量机器人融合的拱坝表面变形监测系统 |
| CN111649718A (zh) * | 2020-06-16 | 2020-09-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于北斗卫星系统的桥梁基础沉降监测算法 |
| WO2022007211A1 (zh) * | 2020-07-10 | 2022-01-13 | 自然资源部第一海洋研究所 | 一种基于gnss的实时高精度波浪测量方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 张馨予;西勤;刘松林;: "GNSS监测数据预处理在变形预测中的应用", 测绘工程, no. 04, 25 April 2016 (2016-04-25) * |
| 李威;闵从军;周瑛;沈月千;令晓博;陈林;: "基于BDS/GPS系统的某大坝实时监测与快速预警系统设计与开发", 现代矿业, no. 01, 25 January 2018 (2018-01-25) * |
| 林智艳;: "基于BP神经网络的土石坝变形预测模型研究", 人民珠江, no. 06, 16 June 2020 (2020-06-16) * |
| 骆黎明;白伟华;孙越强;夏俊明;: "基于树模型机器学习方法的GNSS-R海面风速反演", 空间科学学报, no. 04, 15 July 2020 (2020-07-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400675A (zh) * | 2023-06-09 | 2023-07-07 | 西南交通大学 | 基于改进cnn-lstm模型的故障诊断系统及方法 |
| CN116400675B (zh) * | 2023-06-09 | 2023-09-15 | 西南交通大学 | 基于改进cnn-lstm模型的故障诊断系统及方法 |
| CN117592013A (zh) * | 2024-01-12 | 2024-02-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸建筑物变形实时风险率量化与预警方法 |
| CN117592013B (zh) * | 2024-01-12 | 2024-03-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸建筑物变形实时风险率量化与预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115451803A (zh) | 基于gnss与测量机器人融合的水闸实时监测预警方法 | |
| CN104182642B (zh) | 一种基于稀疏表示的故障检测方法 | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
| CN112487604B (zh) | 海洋重力仪输出数据长时间非线性漂移补偿方法 | |
| CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
| CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
| CN114742260A (zh) | 一种大体积混凝土温度监控数据预测方法、系统和介质 | |
| CN116597350A (zh) | 基于BiLSTM预测偏离度的浮选过程故障早期预警方法 | |
| CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
| CN114330120B (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| Radhika et al. | Reliability models for existing structures based on dynamic state estimation and data based asymptotic extreme value analysis | |
| CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
| CN117454100A (zh) | 一种面向工程结构的缺失数据重构方法 | |
| CN112100906A (zh) | 数据驱动的大尺度密度建模方法、计算设备及存储介质 | |
| CN107066786A (zh) | 基于神经网络的气溶胶光学厚度反演算法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
| DE102020204140A1 (de) | Vorrichtung und automatisiertes Verfahren zur Auswertung von Sensormesswerten und Verwendung der Vorrichtung | |
| Li et al. | Outlier identify based on BP neural network in dam safety monitoring | |
| CN116307184B (zh) | 一种基于因果关系的空气污染治理效果评估方法 | |
| Busboom et al. | Towards neural network classification of terahertz measurements for determining the number of coating layers | |
| Toma et al. | Deformation Profile Analysis Using Uniform Manifold Approximation and Projection | |
| CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |