梯度RBF神经网络在MEMS陀螺仪随机漂移建模中的应用

为了提高使用精度，研究了某型号MEMS陀螺仪的随机漂移模型。采用游程检验法分析了该陀螺仪随机漂移数据的平稳性，并根据该漂移为均值非平稳、方差平稳的随机过程的结论，采用梯度径向基（RBF）神经网络对漂移数据进行了建模。实验结果表明：相比经典RBF网络模型而言，这种方法建立的模型能更好地描则EMs陀螺仪的漂移特；相对于季节时间序列模型而言，其补偿效果提高了大约15％。     

基于灰色模型的混合建模预测方法及其应用

针对陀螺仪寿命预测的特点,提出了一种基于灰色模型的混合建模预测方法。为了提高一阶灰色模型GM（1,1）的建模能力,此模型引入了小波变换。首先小波变换对实测的动力调谐陀螺（DTG）漂移数据进行预处理以减少干扰噪声,接着处理后的数据被用来建立灰色模型。来自于长期测量的DTG的漂移数据的实验结果证明了文中所提混合策略的有效性。并且为了进行比较,对神经网络建模方法进行了相应的研究,结果表明当小波变换被引入到混合模型中,此基于灰色模型的混合建模预测方法具有令人满意的性能,为陀螺仪的寿命预测提供了借鉴和参考。     

冲击地压时列建模的进化神经网络方法

考虑到冲击地压时序的特点,采用基于免疫进化规划的进化神经网络进行了冲击地压非线性系统的建模研究。并采用一个矿山实测得到的震级数列进行了进化神经网络方法的实用性验证,结果表明,进化神经网络不但模型拟合精度高,而且预测性能也较好。     

一种用于陀螺随机漂移预测的多尺度混合建模方法

针对陀螺随机漂移时间序列由于非平稳和非线性造成单一预测模型难以准确跟踪其变化趋势的问题,提出了一种基于集合经验模态分解(EEMD)和灰色极端学习机(GELM)的多尺度混合建模方法。首先,利用集合经验模态分解将随机漂移时间序列按照频率高低分解为多个本征模式分量和一个余量;然后针对不同类型时频特性分量选择合适激活函数和隐层神经元数目的GELM分别进行预测;最后,以等权相加的方式得到最终预测结果。将该方法用于某型激光陀螺随机漂移预测中,仿真结果表明:混合预测模型能够准确预测陀螺随机漂移,预测精度比残差GM(1,1)和GELM预测模型分别提高了33.43%和23.47%,可为激光陀螺的漂移补偿、故障预报和可靠性诊断提供依据。     

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.     

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。     

参数概率灵敏度分析的神经网络方法及其应用

参数概率灵敏度分析是可靠性设计中非常重要的一项工作,它可以提供基本变量分布参数的变化引起可靠性的变化信息,为判断系统参数的重要性提供依据.本文将商用有限元计算.神经网络方法-Monte Carlo法相结合,基于这种快速响应模型的复杂结构可靠性分析方法,针对结构随机参数的概率灵敏度分析,提出一个考虑随机变量全局分散性的新...     

模型预测前向神经网络算法及其在组合导航中的应用

针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05 m/s,+0.05 m/s]和[-5 m,+5 m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。     

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%。     

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。     

基于卷积特征的光纤缺陷检测方法

针对人工难以实现熊猫型保偏光纤的缺陷检测问题,提出了一种小样本下基于卷积特征的图像检测方法。首先针对光纤缺陷特征将Inception V3模型微调,使用微调后模型提取光纤的2048维卷积特征;其次使用主元分析法将2048维特征降为74维;最后使用降维后的特征训练支持向量机分类器,同时使用粒子群算法对分类器参数寻优,实现对光纤缺陷的识别与分类。经实验证明,该方法对光纤涂覆层微小缺陷的识别率达到97%,涂覆层局部损伤和严重破损的识别率达到100%,对降低光纤环绕制中原纤损失、提升光纤环的精密性、研究光纤缺陷对光纤陀螺精度的影响有一定意义。     

基于BP神经网络辅助的惯性/天文组合导航方法

针对高动态环境下惯性/天文组合导航精度下降的问题,提出一种基于神经网络辅助的惯性/天文组合导航方法。首先以组合导航滤波估计过程中的增益矩阵和动态环境下的惯性器件量测信息构建特征向量;然后,采用导航估计误差对BP神经网络进行训练;最后,利用BP神经网络的输出结果辅助修正组合导航系统。计算机仿真验证结果表明,相较于传统方法,基于BP神经网络辅助的惯性/天文组合导航系统的姿态估计精度可提高30%以上,在动态环境下姿态精度可以保持在5″(1σ)以内。所提出的方法对提高动态环境下惯性/天文组合导航系统的精度和适应能力具有一定的参考价值。     

基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法

针对微惯性传感器受热、力学等环境的影响显著,传统的多项式误差模型补偿效果不理想的问题,建立一种基于长短时记忆(LSTM)深度神经网络的MEMS-IMU误差模型。模型输入信息为MEMS-IMU输出的角速度、加速度、温度,输出为角速度误差、加速度误差。同时,设计了基于长短时记忆神经网络的MEMS-IMU误差模型标定流程,构建了MEMS-IMU热、线运动、角运动等多维误差因素的综合激励训练集,对长短时记忆神经网络模型进行训练。对训练得到的模型进行验证,结果表明,相对于传统方法,采用所提出的模型对加速度和角速度进行误差补偿后残差均值减小约70%,均方差分别减小39%和64%,补偿效果更好。     

The application of improved physics-informed neural network (IPINN) method in finance

Nonlinear Dynamics - With the development of computers and neural networks, the traditional methods of solving differential equations have been greatly developed. Typical examples are the...     

随机神经网络优化方法及其计算机仿真

研究了结构优化问题求解的随机神经网络方法,可较好地克服Hopfield网络方法容量陷入局部解的缺点,针对实例,对随机神经网络和Hopfield网络进行了动态仿真,直观地给出了两种网络的动态并行运行,能量函数的动态变化过程及两种网络的全局性的差异,同时也仿真出了网络并行运行至稳定优化解的时间。     

基于BP网络的地磁基准图制备及其精度评价

利用测量数据建模和插值是地磁基准图制备的两种基本方法,常用的地磁场建模方法不适合小尺度的区域地磁场建模.人工神经网络具有良好的逼近任意复杂非线性系统的能力,本文引入应用最为广泛的反向传播(Backward Promulgation,BP)神经网络建立区域地磁场的模型,将地理经度和纬度作为输入,地磁场总强度值作为输出,通过部分测量数据对网络进行训i练,用其余测量数据对网络的性能进行评价,进而由训练好的网络得到基准图制备需要的地磁数据.分别使用BP网络建模方法和8种插值方法在不同数据点分布情况下进行了基准图的制备实验,精度评价结果表明了BP网络建模方法的有效性.根据实验结果对不同数据点分布情况下各种方法的优劣进行了比较.     

基于遗传算法优化神经网络的多源信息融合室内定位方法

为了解决复杂室内环境中单一定位技术误差较大的问题,提出了一种基于遗传算法优化BP神经网络的多源信息融合室内定位方法。首先利用Wi Fi定位结果约束地磁匹配范围进行组合定位,降低误匹配率;再采用遗传算法寻找网络全局最优解对BP神经网络的初始权值和阈值进行优化,提升网络精度并加快收敛;使用优化后的网络对组合定位结果和推算定位结果向真实位置坐标方向训练融合,得到最优定位结果。数据显示,经遗传算法优化后BP神经网络预测均方误差降低了约75%,融合定位精度较单一定位方式定位精度平均提升约47%。结果表明,所提的方法可有效提升定位精度,具有更优的定位性能。