光纤陀螺温度和标度因数非线性误差建模研究

分析了开环光纤陀螺(O-FOG)的温度和非线性特性,以时间、温度和输入角速率为参量得到O-FOG的温度和标度因数非线性误差的混合模型,并设计了一种能够同时辨识这些参数的实验方法和数据处理方法,通过大量温度速率实验,辨识出O-FOG的温度和非线性混合模型,利用该模型对陀螺进行补偿验证,结果表明,补偿后的O-FOG克服了温度和非线性对其测量精度的影响,使它在全温度和全速率下的测量精度得到了极大提高,证明了该方法的可行性。     

陀螺随机漂移时间序列建模方法研究

提出了残差自校正的RELS算法，在ARMA模型参数估计的过程中引入虚拟白噪声，来补偿参数估计过程中的由于噪声未知而引入的误差，并将DDS法与AIC准则相结合确定模型阶数。仿真结果表明所确定的模型能够精确地反映陀螺漂移趋势。     

一种混合建模方法在陀螺漂移预测中的应用研究

陀螺仪作为惯性导航系统的核心惯性器件,其漂移性能直接影响导航的精确性,分析陀螺漂移的变化趋势并预测由漂移所引发的陀螺故障具有重要的意义。提出一种基于灰色理论和平稳时间序列分析的混合建模方法,并将其用于预测陀螺漂移。实验结果表明该混合建模预测方法能够精确地预测陀螺的漂移,从而为陀螺的性能分析和故障预报提供依据。同时与单一预测方法相比,该混合方法具有较强的预测能力。     

数字闭环光纤陀螺建模与仿真研究

建立了数字闭环光纤陀螺的动态模型和随机模型。通过合理的近似,非线性动态模型简化为线性离散模型。设计了闭环数字控制算法,对光纤陀螺的动态响应进行了仿真。在随机建模中,运用不同的随机过程来模拟各种随机噪声,采用正交小波变换的方法来模拟1/f噪声,用白噪声一次离散积分的方法来模拟速率随机游走噪声,用一阶马尔可夫过程或指数相关随机序列来模拟指数相关噪声。进行了随机仿真,并用功率谱密度和Allan方差分析的方法对随机模型和仿真结果的有效性进行了验证。     

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。     

陀螺稳定平台中速度环的非线性实验建模

在阐述两轴四框架陀螺稳定平台的结构和工作原理的基础上,具体分析了从实际实验装置中获取数据的方法。通过对内环中速度稳定环的机理分析,得到了简化的线性模型。针对平台在低频工作环境下所表现出的严重非线性特性,将线性模型与非线性的Stribeck摩擦力模型相结合,建立了系统的数学模型。利用遗传算法和所获得的实际系统数据对模型参数进行了辨识;通过在所辨识出的系统模型上进行扰动隔离的系统仿真实验,并将其结果与实际系统的性能进行对比,验证了所建模型的精度;通过对模型残差的分析,进一步地改进和提高了所建系统模型的精度。为研究两轴四框架陀螺稳定平台模型与误差补偿提供了实用的高精度的数学模型。     

基于ARMA模型的分数布朗运动建模

分形理论在通信领域里的应用日趋广泛,而其中的分数布朗运动具有特有的性质。利用分数布朗运动分形维数与功率谱密度之间的关系,基于ARMA模型,提出了一种分数布朗运动的建模方法,并利用统计方法从增量的统计分布、统计自相似性等方面证明了该模型生成的随机序列满足分数布朗运动的定义,具有分形特性。同时,在原有ARMA模型的基础上基于相关函数对模型进行了改进,仿真结果表明改进后效果有了明显的提高。     

压电陀螺漂移特性的灰色神经网络建模研究

在不同温度和运行时间下,压电陀螺的静态零位漂移和刻度因子变化表现为非线性和多值对应关系,基于时间序列的ARMA模型和直接采用温度单输入的前馈神经网络模型都无法正确描述压电陀螺的这种误差特性。提出一种将温度和时间作为输入,分别同时对应陀螺静态零位和刻度因子输出的三维空间下的单值对应关系,在运用灰色理论对数据进行预处理基础上,采用多输入单输出的RBF神经网络实现了对陀螺漂移特性的描述。仿真实验结果验证了该建模方法的有效性。     

格形滤波器在ARMA模型辨识中的应用

本文总结了近年来发展的ARMA模型格形辨识算法。基于运用格形滤波器的特性来获得ARMA模型格形辨识算法的思路,着重分析了三种典型算法及其性能,给出了稳定判据,最后指出了今后的发展方向。     

比较矩阵辨识模型及其在农业系统环境资源辨识中的应用

以临沭县农业系统环境资源的辨识为例，介绍了运用比较矩阵辨识模型进行环境资源辨识的数学原理、模型和辨识过程的具体方法步骤。     

IUKF neural network modeling for FOG temperature drift

A novel neural network based on iterated unscented Kalman filter （IUKF） algorithm is established to model and com- pensate for the fiber optic gyro （FOG） bias drift caused by temperature. In the network, FOG temperature and its gradient are set as input and the FOG bias drift is set as the expected output. A 2-5-1 network trained with IUKF algorithm is established. The IUKF algorithm is developed on the basis of the unscented Kalman filter （UKF）. The weight and bias vectors of the hidden layer are set as the state of the UKF and its process and measurement equations are deduced according to the network architecture. To solve the unavoidable estimation deviation of the mean and covariance of the states in the UKF algorithm, iterative computation is introduced into the UKF after the measurement update. While the measure- ment noise R is extended into the state vectors before iteration in order to meet the statistic orthogonality of estimate and mea- surement noise. The IUKF algorithm can provide the optimized estimation for the neural network because of its state expansion and iteration. Temperature rise （-20-20℃） and drop （70-20℃） tests for FOG are carried out in an attemperator. The temperature drift model is built with neural network, and it is trained respectively with BP, UKF and IUKF algorithms. The results prove that the proposed model has higher precision compared with the back- propagation （BP） and UKF network models.     

LMS自适应滤波算法在FOG数据处理中的应用

针对光纤陀螺（fiber optic gyroscope, FOG）输出数据的随机噪声问题,提出将变步长最小均方（least mean square, LMS） 自适应滤波算法应用于FOG数据处理中。根据FOG数据特点,构造变步长LMS 自适应滤波器,对FOG输出数据进行实时预处理,自动地调节参数,达到降低FOG随机漂移及角度随机游走的目的。采用Allan方差对滤波前后的FOG数据进行分析,结果表明所提出的算法在FOG数据处理中效果明显,可以优化FOG的零偏稳定性0.019(°)/h及角度随机游走0.001 5(°)/h^1/2。     

CCD星敏感器辅助光纤陀螺在线标定技术

首先建立陀螺在线标定模型,然后以电荷耦合器件星敏感器输出的姿态四元数和陀螺输出的载体相对于惯性空间的姿态四元数构造量测量,采用模型预测滤波与扩展卡尔曼滤波相结合的方法,将部分陀螺误差项作为模型误差,在线实时估计并修正系统模型,提高了状态估计的精度,最后对该算法进行了数学仿真。仿真结果表明,该方法能有效地完成陀螺在线标定,标定精度和速度明显优于传统方法。这种在线标定的处理方法在实际使用和维护中具有极大便利。     

Grey Markov chain and its application in drift prediction model of FOGs

1.INTRODUCTION Sincetheinterferometricfiberopticalgyroscope(FOG)wasfirstproposedbyAmericanUtahUniver sityin1976,ithasbeenattractingalotofscientific andtechnicalinterestsinsteadofthespinningwheel mechanicalgyroforitcanprovideuniqueadvantages.Withtheextensionofresearch,peoplehavebecome acquaintedwithnoisesandbiasdrifts,whichinduce non negligibleerrorsintheoutputofFOGs.The hugeeffortsontechnique,whichweredevotedtothe developmentoflow noiseandlow driftFOGsmainly basedonmaterials,machining…     

设备故障评估新指标及基于ARMA的预测系统

设备故障停机时间受生产调度的影响较大,不能真实反映设备的自身性能,且具有很强的随机性和波动性,不适于直接用来进行自回归移动平均(auto-regressive moving average,ARMA)建模.针对此问题,提出一种设备故障评估指标--设备不可用度,将设备故障停机时间转换为设备不可用度,通过异常点替代和数据平...     

一种新型的灰色RBF神经网络建模方法及其应用

针对神经网络建模预测时,其建模精度往往受到数据随机性的影响,以及灰色累加生成操作(AGO)具有减小数据随机性,使数据变得有规则的特点,提出了一种新型的建模预测模型———灰色径向基(RBF)神经网络模型。此模型能够减小数据中的随机性,加快网络的建模收敛速度,使神经网络的建模精度得以提高。将此灰色RBF神经网络应用到动调陀螺仪漂移数据建模中,并将其建模验证结果和单纯使用RBF网络的建模结果进行比较,结果证明此方法是可行而有效的。     

Study on Optimality of Two-Stage Estimation with ARMA Model Random Bias

1.INTaoDUCTIONInrecentyearsconsiderableworkhasbeendoneontheproblemofestimatingthestateofalinearsystemwitharandombiasthatinfluencesthesystemdynamicsandobservations.Thebasicmethodistheaugmelltedstateestimationwhosecomputationincreaseswiththebiajsvectordimension.Tomailltaincomputationalamountatalevel,theideaofusingatwasstagestateestimationtoimplementaugmentedstateestimationisintroducedbyFreidland[1],whichistodecouplethecentralfilterintotwoparallelfilters.Thefirstfilter,thebiasfreefilter,isb…     

光学陀螺旋转式惯导系统的安装误差效应分析

在光学陀螺惯导系统中,利用系统旋转自动补偿可以有效地减小惯性元件漂移对系统导航精度的影响,从而实现高精度、低成本的惯性导航要求。首先从光学陀螺旋转式惯导系统的误差传播方程出发,推导了系统中由于光学陀螺安装误差引起的数学平台角度误差表达式。以此为基础,分析了旋转式系统中的安装误差引起的误差效应及自动补偿安装误差所应满足的条件,为系统设计和精度分析提供了理论参考。     

灰色多变量GM(1,N)幂模型及其应用

针对多变量少数据的系统建模问题,提出了灰色多变量GM（1,N）幂模型及其派生模型GM（1,N,x^（1））幂模型,给出了其参数估计算式和近似时间响应式,在此基础上,分两种情况讨论了模型的参数优化方法,并通过数值模拟和应用实例验证了新模型的有效性. 结果表明：传统的GM（1,N）模型是GM（1,N）幂模型的特殊形式,GM（1,N）幂模型能够更好地描述系统特征行为序列与其影响因素序列的非线性关系,从而有效地提高传统灰色多变量系统建模的精度.