基于CPSO-LSSVM的单轴旋转惯导系统轴向陀螺漂移辨识

在单轴旋转惯导系统中,轴向陀螺漂移是影响系统导航精度的重要因素。为了提高惯导系统的导航精度,采用混沌粒子群算法(chaos particle swarm optimization, CPSO）优化的最小二乘支持向量机（least squares support vector machine, LSSVM）〖JP+1〗对轴向激光陀螺漂移进行辨识。利用初始对准12 h内系统纬度误差和温度变化量作为LSSVM模型的训练数据,利用CPSO对LSSVM进行参数优化,利用优化后的LSSVM模型对轴向陀螺漂移进行辨识,轴向陀螺漂移辨识精度优于0.000 2 （°）/h, 系统定位误差优于1 nm/72 h。试验结果表明,CPSO是选取LSSVM参数的有效方法,该方法能够有效地辨识轴向陀螺漂移,具有很高的辨识精度,具有很高的实际应用价值。     

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。     

惯导系统陀螺漂移的ESO估计算法

为满足舰艇航行的高精度导航要求,提高惯导系统陀螺漂移估计精度,设计了基于扩张状态观测器(extended state observer, ESO)的惯导系统陀螺漂移估计算法。首先引入了惯导系统水平姿态角的ESO估计算法;其次基于惯导系统姿态控制方程,研究并推导了陀螺漂移的ESO估计算法,给出了估计误差的量化分析结论;最后对算法进行了仿真验证。结果表明,基于ESO的陀螺漂移估计方法可在短时间内快速、无超调、高精度地估计出陀螺漂移,当ΔAx=ΔAy=10^-5g时,估计的稳态误差约为10^-4(°)/h,提高了惯导系统后续导航精度。     

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。     

单轴旋转SINS方位陀螺漂移精确估计方法

为了减小方位陀螺漂移对单轴旋转捷联惯性导航系统(strapdown inertial navigation system, SINS)长时间定位精度影响,提出了一种方位陀螺漂移在线估计方法。对SINS误差参数进行分析,指出东向陀螺漂移和方位失准角精度决定方位陀螺漂移估计值精度。利用优化后的卡尔曼(Kalman)滤波器在线估计SINS失准角并进行补偿,在此基础上进一步使用Kalman滤波器估计惯性测量单元(inertial measurement unit, IMU)误差。进行了转台三轴摇摆和车载行进间验证实验,车载行进间验证实验中,IMU误差估计完成后转入到纯惯性导航,其12 h的定位误差为2.12n mile,系统定位精度满足中等精度单轴旋转SINS长时间导航需求。     

基于干扰观测器的高性能转台伺服系统内模控制方法研究

针对转台伺服控制系统,提出了一种基于干扰观测器的改进内模控制方法（DIMC）。内模控制是一种新型的先进控制方法,设计思路是将对象模型与实际对象的输出差值作为反馈,控制器逼近模型的逆,从而达到控制效果。考虑到传统的内模控制器设计方法跟踪精度不足,引入微分器构造改进的控制器,提高系统的跟踪精度。在此基础上引入干扰观测器,对摩擦进行补偿,进一步提高系统的跟踪精度。仿真研究和实验结果表明,该控制方法可以有效地提高系统的跟踪精度,并对系统参数变化和力矩扰动具有更强的鲁棒性。     

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。     

支持向量机在导弹命中精度研究中的应用

陀螺漂移是影响弹道导弹命中精度的主要因素。对于陀螺漂移预测,提出并研究了最小二乘支持向量回归估计算法,将遗忘因子加入到最小二乘支持向量回归估计算法中,采用小波基核函数,对陀螺漂移预测进行研究,提高了模型的自适应性和预测精度。将陀螺漂移预测数据,加入到导弹的飞行仿真模型中,得到其命中精度,由导弹的命中精度,又可以判定陀螺的性能。这对于研究导弹的命中精度及判定陀螺的性能具有重要的理论和工程价值。     

加入预测信息的反馈误差学习模型及其仿真研究

针对非线性平衡控制问题，提出了一种加入预测信息的反馈误差学习（P-FEL）模型，该模型使用系统状态预测信息和反馈控制器的输出信号共同构成前馈神经网络控制器的教师信号，使用在线BP算法保证运动控制和运动学习同步进行。将P-FEL模型应用于倒立摆平衡控制的仿真实验结果表明，P-FEL模型可以有效地减少前馈神经网络控制器对反馈控制器参数的依赖性，同时还具有良好的平衡控制性能和鲁棒性。     

ARMA模型辨识及其在光纤陀螺漂移建模中的应用

针对含有噪声的时间序列模型辨识精度低的问题,采用自回归函数的衰减正弦曲线方法估计含有噪声的ARMA模型系统参数,AR参数从衰减正弦曲线直接获得,MA参数估计采用相关匹配技术.仿真结果表明,时于具有不同信噪比噪声干扰的系统,该算法具有良好的收敛性和准确性.在此基础上,将该方法应用到光纤陀螺漂移误差建模中,实验结果表明,采用该算法所确定的模型能够精确的反应光纤陀螺的漂移趋势.     

Filtering of long-term dependent fractal noise in fiber optic gyroscope

Stochastic noises of fiber optic gyroscope (FOG) mainly contain white noise and fractal noise whose long-term dependent component causes FOG a rather slow drift. In order to eliminate this component, a two-step filtering methodology is proposed.Firstly, fractional differencing (FD) method is introduced to transform fractal noise into fractional white noise based on the estimation of Hurst exponent for long-term dependent fractal process, which together with the existing white noise make up of a generalized white noise. Further, an improved denoising algorithm of wavelet maxima is developed to suppress the generalized white noise. Experimental results show that the basic noise terms of FOG greatly decrease, and especially the slow drift is restrained effectively. The proposed methodology provides a promising approach for filtering long-term dependent fractal noise.     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

混沌序列的T-SK反馈模糊神经网络预测

针对模糊神经网络预测混沌系统输入节点数目的确定随意性较大及敛速度慢的缺点,提出T SK反馈模糊神经网络(T SKrecurrentfuzzynetwork,TRFN)。同时采用两阶段学习算法:先进行结构学习来确定TRFN的最佳结构,再利用基于混沌动态量的BP算法对神经网络进行参数学习,提高了收敛速度和预测精度。应用此网络和相应的学习算法,对Henton序列进行了预测,与传统的模糊神经网络相比,在节点数目较少的情况下,取得了更快更精确的预测结果,验证了该方法的有效性。     

Research on fiber optic gyro signal de-noising based on wavelet packet soft-threshold

Gyro's drift is not only the main drift error which influences gyro's precision but also the primary factor that affects gyro's reliability. Reducing zero drift and random drift is a key problem to the output of a gyro signal. A three-layer de-nosing threshold algorithm is proposed based on the wavelet decomposition to dispose the signal which is collected from a running fiber optic gyro (FOG). The coefficients are obtained from the three-layer wavelet packet decomposition. By setting the high frequency part which is greater than wavelet packet threshold as zero, then reconstructing the nodes which have been filtered out noise and interruption, the soft threshold function is constructed by the coefficients of the third nodes. Compared wavelet packet de-noise with forced de-noising method, the proposed method is more effective. Simulation results show that the random drift compensation is enhanced by 13.1%, and reduces zero drift by 0.052 6°/h.     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-DCNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。     

Adaptive nonuniformity correction for IRFPA sensors based on neural network framework

For infrared focal plane array sensors, imagery is degraded during signal acquisition, particularly nonuniformity. In this paper, an adaptive nonuniformity correction technique is proposed which simultaneously estimates detector-level and readoutchannel-level correction parameters using neural network approaches. Firstly, an improved neural network framework is designed to compute the desired output. Secondly, an adaptive learning rate rule is used in the gain and offset parameter estimation process. Experimental results show the proposed algorithm can achieve a faster convergence speed and better stability, remove nonuniformity and track parameters drift effectively, and present a good adaptability to scene changes and nonuniformity conditions.     

Novel method for the evaluation of data quality based on fuzzy control

One of the goals of data collection is preparing for decision-making, so high quality requirement must be satisfied. Rational evaluation of data quality is an effective way to identify data problem in time, and the quality of data after this evaluation is satisfactory with the requirement of decision maker. A fuzzy neural network based research method of data quality evaluation is proposed. First, the criteria for the evaluation of data quality are selected to construct the fuzzy sets of evaluating grades, and then by using the learning ability of NN, the objective evaluation of membership is carried out, which can be used for the effective evaluation of data quality. This research has been used in the platform of ＇data report of national compulsory education outlay guarantee＇ from the Chinese Ministry of Education. This method can be used for the effective evaluation of data quality worldwide, and the data quality situation can be found out more completely, objectively, and in better time by using the method.     

地面站数传系统的RBFNN模型及算法

针对难以建立精确数学模型的地面站数传系统,提出改进梯度迭代学习的径向基神经网络建模方法。改进梯度学习算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;改进迭代过程中网络参数的梯度信息计算方式,加快了迭代收敛速度;并增加结构调整过程,实现对网络规模的精简。通过采集地面站数传系统输入-输出数据,将改进梯度学习算法应用于网络离线训练,并给出具体实现步骤。地面站数传资源配置优化实例验证了模型具有较高泛化能力,且算法稳定性较佳。     

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…     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。