基于投影寻踪学习网络模型的光纤陀螺漂移估计器设计

环境温度变化造成的复杂漂移（温度漂移）始终是制约光纤陀螺（FOG）性能提高的重要因素。FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列，在这一领域首次采用投影寻踪学习网络（PPLN）方法设计FOG温度漂移在线估计器，相对于传统的神经网络技术，PPLN采用批量学习和参数变替优化的训练算法，可以自适应确定神经网络的规模、参数和神经元函数，不仅具有简捷的网络结构和较强的鲁棒性和模型辨识能力，还可以有效克服学习过程局部极限问题。基于该方法设计PPLN漂移估计器对某型FOG温度漂移进行估计。采用试验实测数据对所提方法进行验证，并采用传统反向传播神经网络（BPNN）的方法进行比较，计算分析结果表明，PPLN漂移估计器具有更好的估计精度和鲁棒性，尤其在陀螺温度不正常变化时对当前漂移的估计精度可以提高至少2倍。     

GPS姿态测量并行遗传算法快速搜索技术

提出了一种基于并行遗传算法细粒度模型和模糊度函数法的GPS姿态测量快速搜索技术 (ambiguityfunctionparallelgeneticalgorithms,AFPGA) ,它能够避开整周模糊度的求解而直接解算载体的航向和姿态 .AFPGA采用个体邻域间的进化 ,既具备了较强的全局搜索能力 ,又减小了各处理器之间的数据通信量 ,从而保证在获得全局最优解的前提下加快姿态解算速度 ,并易于算法的硬件实现 .运用AFPGA对一组GPS实测数据进行了 1 0 0次独立搜索 ,得到 :航向角搜索方差为 0 .2 4°,俯仰角搜索方差为 0 .1 5°;平均搜索时间为 0 .6s,成功率为 1 0 0 % ,搜索空间为模糊度函数法的 0 .0 5 % .通过对AFPGA不同的模型进行分析 ,并与SGA(simplegeneticalgo rithm) ,AFGA(ambiguityfunctiongeneticalgorithm)进行对比 ,结果表明AFPGA是一种更为有效的搜索技术