RBF神经网络用于辨识光纤陀螺温度漂移

温度漂移是存在于光纤陀螺系统中使得输出信号产生较大偏置误差的一种不可忽略因素,准确地辨识漂移并有效地对其进行补偿直接关系到陀螺的测量精度。文中比较了前馈网络中的ＢＰ网络和径向基函数（ＲＢＦ）网络,采用ＲＢＦ网络进行温漂辨识,温漂辨识可以通过离线事先学习,因而在多种学习方法中选择了简单易行、精度高且运算速度快的正产郇小二乘（ＯＬＳ）法。通过仿真验证,采用ＲＢＦ网络及其ＯＬＳ学习算法可以快速、有效、高     

用于干涉型光纤陀螺温度漂移辨识的RBF神经网络改进算法

针对干涉型光纤陀螺(IFOG)温度漂移的辨识,推导了径向基神经网络(RBFNN)中隐含层神经元、网络的抗噪声性能和拟合精度三者之间的关系,并在此基础上提出了一种新的径向基函数神经网络辨识学习规则.该方法具有很强的抗噪声性能,网络输出不会被陀螺噪声所污染,同时能动态地确定神经元数,辨识精度高,有效地避免了传统RBF网络学习算法中事先固定网络结构可能存在的盲目性.实验结果表明,该方法能够快速、准确地辨识IFOG的温度漂移.     

光纤陀螺温度漂移模型的PPLN辨识

环境温度变化造成的较大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，为此采用投影寻踪学习网络(PPLN)方法建立新的FOG温度漂移模型．该方法结合了统计学中投影寻踪算法节点函数灵活的非参数估计特点和人工神经网络的自学习功能，具有简捷的网络结构和良好的鲁棒性能，对未知模型辨识能力较强．将该方法应用于某型FOG温漂模型实测数据的辨识中，经验证表明其具有良好的预测效果．     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

压电振动陀螺温漂性能粒子群算法优化

针对压电振动陀螺的温漂问题,采用基于粒子群的BP神经网络算法对压电振动陀螺的温度漂移现象进行建模。该算法借助粒子群算法帮助BP神经网络越过局部最小解,并通过加入高斯噪声的方式,模拟自然人脑。仿真实验表明,相对于传统的单BP神经网络算法,含有噪声的粒子群-BP神经网络算法,在精度方面提高了至少42.6%,所构建的温漂模型具有更好的非线性描述能力,从而能为压电振动陀螺提供了更高精度的零电位误差补偿;同时,在收敛速度方面快了5.2倍。     

光纤陀螺漂移误差的T-S模糊建模补偿算法

基于G-K聚类算法辨识T-S模糊模型前件参数理论,并采用最小二乘法辨识T-S模糊模型后件参数的误差模型,研究了一种光纤陀螺温度漂移误差的非线性补偿算法。在建立该模型的基础上对光纤陀螺零位输出进行了补偿,计算结果表明采用该种方法能够在不完全了解陀螺误差机理的情况下对其进行有效的补偿。其绝对误差与未补偿相比较降低了99%,同线性拟合补偿相比降低了96%和神经网络补偿比较降低了10%,其误差方差分别减少99%,98%,20%。     

近似非线性滤波在陀螺漂移误差模型辨识中的应用

提出了应用近似非线性滤波技术，辨识陀螺漂移误差模型的方法。这一方法可以由伺服法测试数据中分离出陀螺漂移误差曲线，并通过粗精两种估计，能精确地辨识出陀螺误差模型。对静电陀螺仪实验数据分析结果表明，文中提出的方法完全能满足高精度陀螺仪漂移误差模型的建模要求。     

光纤陀螺非线性温度漂移模型的辨识

光纤陀螺对环境温度的敏感性一直是影响其漂移特性的重要因素，对于陀螺的漂移特性一般是利用线性ＡＲ，ＡＲＭＡ模型表示，但在温度变化情况下，用线性模型很难得到好的拟合效果和对漂移进行预测和补偿。试用小波网络对光纤陀螺进行非线性温度模型的辨识，经实测数据验证，表明具有较好预测的效果。     

线振动条件下激光陀螺捷联惯导附加漂移补偿技术

针对振动条件下惯性器件会产生较大漂移的问题,从导航误差方程出发,以速度和位置误差作为观测量,设计了双位置卡尔曼滤波初始对准测漂方法。利用这种方法对振动条件下系统中激光陀螺的零漂和加速度计的零位的变化进行了估计;同时在导航解算过程中对惯性器件的振动附加漂移进行补偿。振动条件下对准测漂实验表明:利用双位置卡尔曼滤波方法可以很好的估计出惯性器件的振动附加漂移。振动漂移误差补偿实验表明:在导航结算过程中对惯性器件的振动漂移进行有效补偿后导航精度明显提高。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

惯性平台测漂方案的研究

陀螺仪的漂移是空间稳定惯性导航系统的主要误差源,对漂移模型系数的准确辨识是保证系统实现长时间、高精度自主导航的关键.给出了一种利用三轴高精度伺服转台提供多个测试位置,使惯性平台工作在相应位置下,并处于惯性稳定状态的静态6位置测漂方案.三轴转台的使用提高了多位置测量时,平台测漂位置的精确度.建立了包含陀螺仪漂移、地球自转、安装误差角等因素在内的平台漂移数学模型.对平台漂移误差参数的辨识方法进行了阶段性分析,取加速度计和欧拉角的输出作为观测量,建立了平台漂移误差模型的状态方程和输出方程.从理论上分析了影响陀螺安装误差角辨识精度的主要因素,提出了转台相对地面存在角速率条件下的辨识方案改进的思路.     

基于模糊神经网络的MEMS陀螺温度漂移建模

微机电系统(MEMS)陀螺的温度漂移呈现复杂的非线性特性,常规的方法无法对其建模.本文提出了一种基于模糊神经网络(ANFIS)的陀螺温度漂移建模的方法,ANFIS具有良好的逼近非线性函数的能力,适合于非线性系统的建模.通过ANFIS对MEMS陀螺的温度漂移进行建模,经实测数据验证,该方法具有较好的效果.通过该模型的温度补偿算法,使MEMS陀螺的定位精度提高了20倍.     

微机电系统压力传感器抗干扰系统设计

鉴于传统的硅基MEMS压阻式压力传感器普遍存在温度漂移和时间漂移误差,本文采用恒温控制和恒流源自校正方法针对上述问题设计和研究了一种MEMS压力传感器抗干扰系统。首先,简单介绍了传感器的各项参数和温漂、时漂原理。其次,设计并制作了传感器相关外部抗干扰电路。最后,对该系统进行实验测试。结果表明,抗干扰系统能减小传感器温漂和时漂误差,热零点漂移的绝对值由恒温前的0.0652%FS/℃降至恒温后的0.00788%FS/℃,热灵敏度漂移的绝对值由0.118%FS/℃降至0.0153%FS/℃,时漂补偿后预测误差由-3.436~0.875 kPa降低至-2.086~1.765 kPa。该设计对MEMS压力传感器温漂、时漂补偿等抗干扰方面的研究具有一定参考价值。     

基于RBF网络的混沌动力系统辨识

提出用RBF神经网络对混沌动力系统进行辨识，设计了一个三层RBF网络结构，仿真实验说明了RBF网络用于学习混沌动力系统时的基本性质。用辨识模型重建吸引子方法定性地评价辨识模型，通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能，同时推导了RBF网络模型Lyapunov指数的计算公式。仿真结果表明，该辨识模型能很好地逼近原混沌动力系统，准确地体现原混沌系统的动力学特性。     

捷联陀螺漂移误差模型辨识及其应用

在对陀螺漂移数据建立时间序列模型的基础上，采用卡尔曼渺茫皮算法对船用捷联陀螺漂移数据进行了处理，以提高陀螺静态漂移系数的估计精度，并把得到的陀螺漂移误差模型实时补偿的捷联系统中，得到了满意的效果。     

光纤陀螺零偏温度补偿的实验研究

为光纤陀螺因温度效应而产生的零偏提供一种补偿方法,针对自行研制的光纤陀螺仪的零值漂移,根据实验数据,建立一种温度补偿模型,采用最小二乘法拟合计算出所需的修正系数对其预测补偿.补偿结果表明:光纤陀螺经模型补偿后零偏基本可以减少一个数量级,并进一步提高了零偏稳定性,补偿效果明显.     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

改善MEMS陀螺误差温度稳定性的驱动力补偿方法

由于微机电系统(MEMS)陀螺通常采用微加工工艺生产制造,因此总是受微加工过程带来的的各种精度缺陷影响。对于MEMS陀螺,其零位输出误差因受环境因素影响而无法保持稳定,随时间表现出漂移特性,这种特性严重限制了MEMS陀螺在更高精度应用中的可用性。该文研究了一种改善MEMS陀螺零位误差温度稳定性的方法。通过分析陀螺运动特性及主要误差源,阐明陀螺驱动力对检测方向的耦合作用是零偏误差同相分量产生并随温度漂移的主要原因之一。为抑制陀螺驱动力耦合作用,提出对陀螺检测轴施加补偿静电力的方法。温度试验结果表明:施加补偿作用后,陀螺零偏误差同相分量的温度稳定性在12～60℃范围内提高了3倍以上。     

基于差分进化与RBF神经网络的热工过程辨识

针对热工过程的非线性辨识问题,提出了一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型设计方法.该方法将DE算法的种群分解为几组并行的子种群,每组子种群对应于一类隐节点数相同的RBF网络.在RBFNN的学习过程中进行多子种群并行优化,从而实现RBF网络结构与参数的同时调整.算法可以利用热工对象的输入输出数据,自动设计出满足误差精度要求且结构较小的RBFNN模型.然后将该算法应用于热工对象的辨识,对于单输入单输出系统,得到的RBFNN模型只需1个隐节点.对于多输入单输出系统,RBF网络也仅需较少的隐层节点.仿真结果表明,用该方法设计的RBFNN模型结构简单,且辨识误差小,具有较好的泛化能力.     

灰色系统理论，数据预处理及其应用

运用灰色系统理论,建立了动力调谐陀螺漂移和温度之间的数学模型,以补偿热漂移,提高动力调谐陀螺的使用精度。将状态估计与不良数据辨识理论作为数据预处理技术应用于灰色系统建模,以观测数据为依据进行状态估计,避免了常规建模中观测数据与实际数据同等对待的弊端。对数据作检测与辨识,使剔除不良数据后的状态估计结果更为精确,以提高灰色系统建模精度。