MEMS陀螺阵列的RCC-OBE估计融合方法

为提高微机电系统(MEMS)陀螺的精度,提出一种基于松弛Chebyshev中心(RCC)的最优定界椭球(OBE)算法,并用于陀螺阵列信号的融合。以单个陀螺误差输出模型为基础,建立了阵列系统的机动融合模型;由于噪声统计特性的不确定会导致传统融合方法精度下降,引入仅要求噪声未知但有界的集员估计理论,运用OBE算法实现角速率信号的稳健估计;在OBE算法中,往往采用椭球几何中心作为真实值的点估计,但该中心并没有理论上的最优特性,而可行集的Chebyshev中心具有很多优良特性,同时,考虑到准确的Chebyshev中心求解十分困难,转而求解可行集的RCC,作为速率信号的点估计,设计了以RCC作为输出的OBE更新过程和新的参数优化准则。采用6个陀螺构成的阵列进行了验证试验,结果表明基于该算法的阵列估计融合方法在获得角速率保证边界的基础上,可以进一步提高MEMS陀螺精度。

用于MEMS陀螺阵列信号处理的OBE平滑算法（英文）

为提高MEMS陀螺的精度,提出了一种基于最优定界椭球(OBE)的平滑算法,并将其用于陀螺阵列信号的处理。首先,利用多个相同型号的MEMS陀螺构成阵列,测量同一角速率信号,并建立数据融合模型。对于融合问题而言,噪声统计特性的不确定会导致传统融合方法精度下降。为解决该问题,引入仅要求噪声未知但有界的集员估计理论,结合RTS平滑思想,提出一种新的平滑算法作为融合方法,它由前向滤波和反向平滑两个过程构成:前者采用集员估计理论中的OBE滤波估计角速率,后者则逆序执行OBE算法进一步提高估计精度。实验表明:该方法能够将陀螺的静态漂移由0.5130(°)/s降低到0.1368(°)/s;动态条件下,在有效跟踪载体角度变化的同时,将漂移由0.5343(°)/s降低到0.1704(°)/s,显著提高了陀螺的使用精度。

基于最优定界椭球-极限学习机算法自适应软测量建模的应用

针对传统滑动窗更新模型时忽略最新数据和待测样本相似性,以及即时学习未考虑相似样本和待测样本的时间间隔问题,采用基于最优定界椭球-极限学习机算法(optimal bounding ellipsoid-extreme learning machine,OBE-ELM)的自适应软测量建模方法将即时学习和滑动窗模型相结合来解决上述问题。首先用初始窗口数据建立ELM模型。当有待测样本到来时,利用SPE和T^2统计量判断修正模型的必要性;需要修正时,采用即时学习在最新窗口中寻找与待测样本相似的样本集并通过OBE动态修正ELM模型;否则用原有ELM模型直接预测输出。该方法的有效性通过合成数据集和连续搅拌反应釜仿真数据得以验证。

基于带惩罚因子椭球定界算法的软测量建模

软测量模型的预测精度和泛化性能是软测量建模的2个重要指标。基于最优定界椭球的极限学习机算法(OBE-ELM)虽然克服了传统极限学习机建模预测精度不高、预测结果不稳定等缺点,但是传统OBE算法仅考虑模型误差最小化,未考虑模型的复杂程度,导致模型易出现过拟合现象。基于上述问题,首先针对噪声未知但有界的非线性系统,提出了一种带惩罚项的椭球定界算法(POBE),在模型误差中加入惩罚项起到抑制参数增长太大和驱使不重要参数逐渐减小到零的作用,然后将POBE应用到ELM模型参数优化过程中。最后在信道参数估计实验和连续搅拌反应釜数据集上分别验证POBE及POBE-ELM有效性。