基于多模型分段拟合的光纤陀螺温度误差补偿方法

传统光纤陀螺温度误差采用单一模型进行建模与补偿,存在模型适配性较差的问题。考虑到光纤陀螺在不同温度区间的温度特性存在明显差异,为提高光纤陀螺温度误差补偿精度,提出了基于多模型分段拟合的光纤陀螺温度误差补偿方法。设计了-15⁵0℃区间内温度实验,在大量实测数据分析基础上,将陀螺温度特性按照低、中、高三个温度区间,分别建立三种不同阶次的温度误差模型。采用分段拟合的方法进行误差建模,并利用所建模型对光纤陀螺进行了温度误差补偿。实测数据表明,提出方法能够有效改善光纤陀螺的温度漂移,补偿后漂移标准差减少66.67%。     

一种光纤陀螺温度误差分段补偿新方法（英文）

分析了光纤陀螺的温度特性,设计了大范围的温度测试,研究了不同温度和温度变化率对光纤陀螺输出的影响,研究了光纤陀螺在不同温度范围内的温度特性。为了提高温度误差补偿精度,根据陀螺温度特性将温度分为低、中、高三个区间,分别利用人工神经网络进行误差建模,提出了一种多模型分段拟合的新方法。根据建立的模型进行温度误差补偿,补偿结果表明,建立的模型能有效地减小了光纤陀螺的温度漂移,精度提高了一个量级。     

基于提升小波与灰色神经网络的光纤陀螺振动误差建模

光纤陀螺在振动环境下的输出具有噪声大、漂移强的特性,必须建立合理的振动误差模型,以便使用精确的算法进行补偿,从而提高光纤陀螺的输出精度。文中首先使用Allan方差分析法分析了某型号的数字闭环光纤陀螺在振动环境下的输出信号,随后利用提升小波分离出了光纤陀螺误差模型中的白噪声及漂移误差,并提出了基于灰色理论和RBF神经网络的漂移误差建模方法。仿真结果表明,相较于传统的RBF神经网络模型,基于提升小波的灰色RBF神经网络的漂移误差建模方法能有效滤除白噪声,并将漂移误差模型的建模精度提高了一倍左右。该方法能够有效提高光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

优化BP神经网络的光纤陀螺温度漂移建模与补偿

光纤陀螺(FOG)温度漂移误差是影响其输出精度的主要误差源之一。针对基于传统BP神经网络FOG温度误差补偿方案适用性较差的问题,提出了优化预测数据的BP神经网络补偿算法,利用最优线性平滑技术以及滑动平均技术对神经网络待补偿数据进行预处理,可以有效减小FOG输出白噪声对温度漂移网络模型补偿精度的干扰,优化神经网络模型的补偿效果。使用FOG温度漂移实测数据对所提出的优化算法进行验证,结果表明利用本文提出的两种建模及补偿方案进行补偿后的FOG温度漂移数据标准差相比传统BP神经网络补偿方法减少50%以上。     

BP-Bagging模型在光纤陀螺温度补偿中的应用

为了消除光纤陀螺的温度效应并提高陀螺的精度,BP神经网络模型广泛的应用在光纤陀螺的零偏温度漂移辨识和补偿中。然而,单神经网络模型的泛化能力差,影响模型的预测结果。结合神经网络集成学习的思想,利用Bagging集成技术产生差异大、预测能力强的个体网络,提升模型的预测能力。建立光纤陀螺零偏温度的BP-Bagging模型,将其应用在温度补偿中。通过对某型光纤陀螺的零偏漂移数据进行仿真,结果表明:BP-Bagging模型相比线性回归模型、单BP神经网络模型的补偿效果更显著,有效改善了陀螺的零偏稳定性能。     

基于粒子群优化算法的光纤陀螺温度误差分段补偿方法

针对光纤陀螺的温度误差单一模型补偿方法适配性较差的问题,提出一种基于粒子群优化(PSO)算法的光纤陀螺温度误差分段补偿方法。此方法基于分段建模补偿的思想,在建模时加入温度和温度变化率影响因子,并引入PSO算法极值寻优,得到最优补偿函数。为了验证此方法的补偿效果,设计了?15℃~50℃区间内光纤陀螺温度实验,分别利用所提方法和传统方法对其温度误差进行补偿。试验结果表明,使用所提方法能够极大地降低温度误差,与传统算法相比,在保证补偿后陀螺零偏稳定性一致的前提下陀螺零偏均值降低了一个数量级,并且具有实时补偿性。     

连续旋转的光纤陀螺全温失准角快速建模与补偿方法

在全温范围内应用的光纤陀螺,其输入轴失准角随温度的变化是影响光纤陀螺惯性系统性能的重要指标之一。特别是在大角速率或者高精度应用时,失准角的变化误差甚至超过零偏漂移误差和标度因数误差。采用温度补偿技术是一种提升光纤陀螺温度性能的有效方法,其中建立精确的温度模型是关键。提出了一种连续旋转的光纤陀螺全温失准角快速建模补偿方法。基于单轴速率转台的连续旋转,可以有效识别光纤陀螺失准角在全温范围内的变化拐点,提高建模和补偿的精度。试验结果表明,某型光纤陀螺全温输入轴失准角变化约14″,补偿后全温输入轴失准角变化小于1″,精度提高了一个数量级以上。在高精度光纤陀螺惯性系统中,该方法可用于指导光纤陀螺失准角的实时温度补偿技术研究及工程实现。     

基于RBF网络的激光陀螺标度因数数据建模研究

前向神经网络中的径向基函数(RBF)网络是一种局部逼近网络,它用局部逼近的总和达到对训练数据的全局逼近,在理论上可以实现全局最优.该文利用径向基函数神经网络对某一温度段的陀螺标度因数的温度数据进行建模处理,并利用各组数据建立一种两因素RBF网络,这两个输入因素选择为温度以及各个温度值对于所属组初始温度的增量.仿真结果表明,所建立的两因素RBF网络可以精确地拟合各温度下的标度因数温度数据,仿真数据的误差与均方差比用BP网络训练的数据效果要好,在数值上提高了近一个数量级.     

四频差动激光陀螺三种误差模型对寻北精度的影响

分析了四频差动激光陀螺漂移信号的特性,将陀螺输出的漂移误差信号分为常值漂移误差和随时间变化的一次项、二次项漂移误差,并据此建立陀螺漂移误差模型,分别对陀螺漂移进行零次拟合、一次拟合及二次拟合.针对这些模型结合寻北推导了误差的补偿算法,并通过寻北实验精度比较,验证了不同误差模型的补偿效果.实验结果表明,就本文实验所用陀螺,含二次项误差的模型寻北精度较高,使寻北精度从零次拟合模型的1密位降低到0.5密位.     

陀螺仪温度模型建模方法介绍

本文简单介绍陀螺温度特征试验系统及陀螺仪温度模型的建模方法。陀螺在温度试验箱内，温度范围为—４０℃～＋６０℃，用１１个温点进行六位置试验及速率试验。根据测试数据，建立陀螺常值漂移、标度因数及与ｇ有关项漂移系数的温度模型。模型采用一元线性回归方程，对建模结果进行了分析和讨论，并对今后的工作提出一些设想。