多源数据识别和融合算法基于双层遗传算法-反向传播模型
Zhuang Xiong1,2, Jun Ma1, Bohang Chen1
1The College of Computer, Qinghai Normal University, Xining, China.
Frontiers in big data
|January 28, 2025
概括
本研究引入了一种两层遗传算法反向传播 (GA-BP) 模型,通过识别和融合传感器数据来提高降雨数据的准确性. 这种新的方法增强了故障识别和数据融合,从而实现更强大的降雨量测量.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 使用雨水桶和气象数据的传统降雨数据收集方法经常忽视传感器故障对准确性的影响.
- 在传感器错误的情况下,现有的模型可能无法有效处理多源数据识别和融合.
研究的目的:
- 为准确的降雨数据收集提出和评估一种新的两层遗传算法反向传播 (GA-BP) 模型.
- 加强多来源降雨数据的识别和融合,特别是解决传感器故障.
- 提高降雨量测量系统的稳定性和通用性.
主要方法:
- 开发了一个双层GA-BP模型,利用来自传感器阵列的降雨数据.
- 第一个GA-BP层优化了传感器故障识别的重量和值.
- 第二个GA-BP层根据已识别的故障数据执行数据融合.
主要成果:
- 与单层BP模型相比,双层GA-BP模型减少了2.37秒的数据融合运行时间.
- 对信号损失,高值偏差和低值偏差的识别精度分别提高了26.09%,18.18%和7.15%.
- 平均二次误差减少了3.49毫米,核聚变输出波形显示的波动较小.
结论:
- 拟议的双层GA-BP模型显著提高了降雨数据的准确性和可靠性.
- 该模型在处理传感器故障方面展示了增强的稳定性和概括能力.
- 这种方法为多源降雨数据的识别和融合提供了更有效的解决方案.
