基于小波变换的陀螺漂移建模与实验研究

在基于小波变换陀螺漂移建模方法的基础上对其进行了实验研究,详细阐述了实验的步骤,提出了有关工程问题的解决方法。实验结果表明,基于小波变换的陀螺漂移建模方法的精度高且明显优于传统方法。

基于小波分析与LSSVM的陀螺仪随机漂移建模

为了提高陀螺仪的使用精度,以陀螺仪随机漂移时间序列为研究对象,建立了基于小波分析和最小二乘支持向量机(LSSVM)的陀螺仪随机漂移模型。陀螺仪作为高精度敏感器件,其随机漂移信号具有非线性、弱平稳性等特点,难以补偿。为了提高补偿精度,这里采用小波分析对陀螺仪随机漂移信号进行多尺度分解,利用最小二乘支持向量机方法对重构后的近似序列和细节序列建立非线性子模型,最后将各子模型输出融合作为组合模型输出。最后将该算法用于动调陀螺仪的随机漂移建模,实验结果表明基于该组合算法的非线性模型能够有效地反映陀螺仪的随机漂移特性,建模效果明显优于直接采用LSSVM和ANN建立的模型。

利用人工鱼群算法对光纤陀螺随机漂移建模

利用历史数据,对光纤陀螺随机漂移进行准确建模,对提高光纤捷联惯导系统的精度具有十分重要的意义。文中详细介绍了人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)和改进人工鱼群算法(Improved Artificial Fish Swarm Algorithm,IAFSA),给出了AFSA对随机信号建模的详细步骤和方法,分别应用传统的时间序列分析方法、人工鱼群算法、改进人工鱼群算法对光纤陀螺的随机漂移进行了建模。建模结果表明,AFSA对光纤陀螺随机漂移建模准确,比传统时间序列分析建模精度提高1.5%,IAFSA建模精度比AFSA建模精度更高,其收敛速度也更快。无论是从建模复杂度上,还是在建模精度上,AFSA和IAFSA均优于传统的时间序列分析方法,IAFSA是一种收敛速度更快、建模精度更高的光纤陀螺随机信号建模方法。

改进递阶GABP算法与一般BP算法在陀螺仪随机漂移建模中的应用分析

针对改进的递阶GABP算法的特点,将其应用于陀螺仪随机漂移建模.通过引入巴特莱特(Bartlett)提出的"95%置信限"理论,对改进递阶GABP算法与一般神经网络BP算法的陀螺仪随机漂移建模进行比较,分析得到改进递阶GABP算法更能在较短的时间内建立陀螺仪随机漂移误差的精准模型.

基于灰色模型的微机械陀螺温度漂移建模研究

在微机械陀螺温度试验数据的基础上,通过灰色模型对温度漂移进行建模研究.分析传统的GM(1,1)模型的本质,给出提高模型精度的数学处理方法.采用改进的GM(1,1)模型进行建模,与传统的GM(1,1)模型建模相比,提高了光滑度,改善了模型精度.进一步通过残差检验、后验差检验、关联度检验评估模型精度,结果验证了所建模型的准确性和实用性.

贝叶斯神经网络建模预测方法及其应用

针对神经网络建模时,其模型的复杂性难以控制而且缺乏分析结果的工具,以及贝叶斯方法可以通过定义一些超参数的模糊先验来控制模型参数复杂性,并且可对任何感兴趣的变量产生后验预测分布,使得置信区间的计算成为可能。研究了贝叶斯神经网络的建模预测问题,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。通过动调陀螺仪漂移数据建模应用分析结果证明此方法可以达到较好的建模预测效果。

基于MUBF算法的微机械陀螺输出降噪方法

针对微机械(micro electro mechanical system,MEMS)陀螺输出漂移不确定性,提出采用最小上限滤波(minimum upper-bound filter,MUBF)算法实现MEMS陀螺输出信号降噪处理,该算法将漂移看作陀螺输出信号中的未知干扰,通过获取漂移变化方差上限,利用凸优化动态寻优得到角速率估计。相比卡尔曼滤波算法(Kalman filter,KF),MUBF算法可以在陀螺输出漂移模型未知的情况下工作,弱化陀螺信号降噪处理条件。陀螺静态和动态实验结果表明:MUBF算法能够有效降低陀螺噪声且优于KF算法降噪效果,该算法为MEMS陀螺降噪研究提供新思路。

Data Analysis and Modeling of Fiber Optic Gyroscope Drift

A data gathering system is designed for the interferometric fiber optic gyroscope (IFOG) of land strapdown inertial system. IFOG is tested and the testing curve is given. The test data of IFOG are analyzed with Allan variance method and each error coefficient is identified. Furthermore, a random drift error model for IFOG is built by the method of time series analysis. The conclusion provides supports for improving IFOG design and compensating for errors of IFOG in practice.