基于前向线性预测算法的光纤陀螺零漂的神经网络建模

在详细分析光纤陀螺零漂的基础上,提出了先用滤波算法对光纤陀螺信号进行预处理,然后采用RBF神经网络对滤波后的信号进行建模的方法。针对光纤陀螺信号特点分别采用FLP算法、小波滤波算法、解相关变步长LMS自适应滤波算法对其进行了预处理,比较三种滤波方法,小波滤波算法效果优于其它两种预处理方法,但针对基于预处理后的陀螺信号采用RBF神经网络进行建模时,小波滤波预处理后的信号在建模精度上却是最差的,而对FLP算法滤波后的信号进行RBF建模,建模精度提高了两个数量级。结果表明:基于FLP算法的RBF神经网络在光纤陀螺中的建模是有效的,可大大提高建模的精度。     

基于灰色模型和RBF神经网络的MEMS陀螺温度补偿

MEMS陀螺的零偏随温度呈非线性变化,同时含有较大的随机噪声.针对传统的多项式模型难以精确表达零偏随温度变化的问题,提出了一种基于灰色模型和RBF神经网络的MEMS陀螺温度补偿方法:首先用灰色模型对数据进行预处理,以减小原始数据的噪声;然后用降噪后的样本数据对RBF神经网络进行训练.在相同的训练次数下训练误差可减小一个数量级.验证试验结果表明,采用该模型补偿后的陀螺零偏误差较传统的多项式模型减小一个数量级,较未经预处理的RBF神经网络减小2/3.     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

基于遗传小波神经网络的MEMS陀螺误差建模

研究了一种基于遗传算法改进的小波神经网络.该方法采用小波神经网络为主要逼近手段,并通过遗传算法优化网络的关键参数.由于小波神经网络兼容了神经网络的自学习特性和小波分析的时-频局部性,而遗传算法具有较强的全局搜索能力,二者结合形成的遗传小波神经网络因此具有较高的逼近与容错能力,从而弥补了传统的方差建模方法的不足.将该算法应用到某型MEMS陀螺仪的随机误差建模中,结果表明:遗传小波网络对原始信号的逼近精度误差在以内,较之传统的方差建模方法有了显著的提高,这一精度基本上可以满足MEMS陀螺工程化应用的要求.     

动态环境下光纤陀螺误差辨识与补偿技术

为了提高光纤陀螺在高动态环境下的测量精度,需要精确地辨识角加速度信息以便有效地补偿。针对直接对陀螺的角速度信息微分处理后得到角加速度的方法误差较大的问题,提出了将微分后的角加速度信息分为线性和非线性两个部分,其中线性部分采用Savitzky-golay最小二乘拟合,而非线性部分则采用RBF神经网络技术进行拟合。上述处理方法能更真实地反映实际物理过程,具有较强的自适应性和较好的拟合效果。通过试验验证,证明了该方法的有效性和准确性,提高了角加速度辨识精度,比直接微分的方法测量精度提高二个数量级,有效地补偿了陀螺仪在高动态环境下的测量精度。     

基于小波分析法的光纤陀螺系统标定方法

光纤陀螺的随机噪声很大程度地影响系统的标定精度,通常的解决方法是增加平均次数、延长采样时间等,不能从根本上解决问题。利用小波变换阈值滤波对光纤陀螺系统标定的测试数据进行预先处理,采用Allan方差法分析滤波前后的测试数据,发现滤波后陀螺各项随机误差系数均得到明显抑制。用消噪后的陀螺信号进行标定处理,结果表明仅用原数据量的十分之一即可获得相同的标定精度,减少了测试时间,提高了标定效率。     

用灰色理论和神经网络理论建立陀螺漂移模型初探

本文就灰色理论和神经网络技术在建立陀螺漂移模型上的应用进行了初步探讨；介绍了这两种理论工程应用上的方法和特点以及相关的一些问题。     

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。     

基于光纤环安装方式的光纤陀螺振动误差抑制方法

随着光纤陀螺的实用化,发现载体振动会引起光纤陀螺尤其是高精度光纤陀螺的测量误差增大,对光纤陀螺的性能指标造成不可忽视的影响。对干涉式数字闭环光纤陀螺,从弹光效应出发,分析了振动对光纤陀螺光路的影响机理,得出了振动影响下光纤环中反向传播的光信号非互易相移误差信号的表现形式,并针对此提出了通过合理安装光纤环,使光路满足互异性,来抑制振动情况下光纤陀螺输出信号噪声和漂移。实验结果表明,该方案有效降低光纤陀螺输出信号的噪声,抑制了由振动引起的陀螺漂移,使得陀螺振动误差减小了一个数量级。     

光纤陀螺温度漂移误差的建模与补偿综述

结合近年来国内外的科研成果,介绍了光纤陀螺温度效应机理,综述了温度漂移误差的建模与补偿方法,并着重介绍了软件建模补偿的进展状况.当前,软件建模补偿的方法得到了广泛的应用,对于中低精度光纤陀螺,补偿后的精度普遍能够达到使用要求;对于中高精度光纤陀螺,也能够做到有条件的适用,但是距离实际应用还有待于进一步的提高.最后,结合自己对于中高精度光纤陀螺温度补偿的工作情况,针对温度试验的设计、软件建模的方法等提出了几点看法.     

基于小波神经网络的高精度惯导重力扰动补偿方法

重力扰动矢量(空间同一点实际重力与正常重力之差,包括垂线偏差和重力异常两部分)一直是惯性导航系统的重要误差源之一。针对重力扰动误差精确补偿问题,推导并建立了考虑重力扰动的惯导误差方程,并提出了基于小波神经网络的重力扰动补偿方法。通过仿真验证了小波神经网络的重力扰动补偿方法对惯导导航精度的提高效果。24 h仿真结果表明:所提出的重力扰动补偿方法能有效减小惯导导航系统误差,经重力扰动矢量补偿后,速度误差最大能减小约0.2 m/s,降低约30%,位置误差最大能减小约3000 m,降低约25%。     

一种采用小波神经网络的GPS精密单点定位方法

针对GPS精密单点定位对高精度的需求,提出了一种采用小波神经网络的GPS精密单点定位解算方法。该方法利用小波变换和神经网络学习功能,无需准确系统先验信息,误差函数能够快速收敛,逼近真实误差模型,从而提高GPS精密单点定位精度。仿真结果表明,静态条件下与传统最小二乘法和卡尔曼滤波算法相比,该算法定位收敛时间缩短50%,定位精度分别提升90%和50%。动态情况下,较最小二乘法和卡尔曼滤波算法定位精度提高20%~80%。     

BP混沌混合神经网络在光纤陀螺温度漂移预测中的应用

提出使用BP混沌混合神经网络建立FOG温度漂移模型的方法.该方法在BP算法中采用了改进型Logistic-Map映射生成的混沌变量,能够避免陷入局部最小,可迅速达到全局最优.应用该方法分析某型FOG温度漂移实测数据,结果表明其具有良好的预测效果.     

一种改进的基于小波神经网络的SINS快速初始对准方法

捷联惯性导航系统静基座初始对准的可观测度低,采用卡尔曼滤波等最优滤波方法进行SINS初始对准时,方位失准角收敛慢且存在滤波器实时性较差的问题。对此提出了一种改进的基于小波神经网络的SINS静基座快速初始对准方法。该方法采用一个小波神经网络替代卡尔曼滤波器,利用该小波神经网络估计出两个水平失准角等SINS误差,然后利用两水平失准角快速收敛的估计结果,通过另一个小波神经网络对方位失准角直接进行快速估计。初始对准试验结果表明,该方法在保证对准精度的情况下大幅度地提高了SINS静基座初始对准的速度,同时也大大提高了系统状态估值运算的实时性。