基于神经网络的光纤陀螺温度漂移误差建模与补偿

光纤陀螺（FOG）温度漂移误差是影响其输出精度的主要误差源之一,在实际应用中必须对光纤陀螺温度漂移误差进行适当补偿。传统的最小二乘法等线性补偿方法很难满足补偿精度的要求且适用性较差,利用BP及RBF神经网络分别建立非线性光纤陀螺温度漂移误差模型,可以有效提高补偿精度,使用FOG温箱实测数据对最小二乘模型及神经网络补偿模型进行了测试对比,验证了基于神经网络的非线性补偿算法在FOG温度漂移补偿中的有效性。     

基于静态删减算法的神经网络在软件可靠性预测中的应用

与传统的基于人工神经网络的软件可靠性预测模型结构普遍由预先经验或者通过不断尝试的方法确定不同,在分析一般的软件可靠性模型的基础上,提出将一种基于静态删减算法的神经网络模型应用到软件可靠性预测中。通过利用2组经典的软件失效数据进行仿真,并与传统的神经网络可靠性预测模型对比分析,研究了神经网络拓扑结构和预测精度的关系,结果表明,基于静态删减算法的运用能够提高神经网络模型对软件可靠性的预测精度。     

基于LSTM神经网络的机载光纤陀螺温度冲击误差补偿技术

环境温度冲击会降低机载光纤陀螺的性能,从而影响飞行器导航和姿态控制精度。在光纤陀螺误差机理研究基础上,本文提出一种基于长短期记忆（LSTM）神经网络的光纤陀螺温度误差补偿模型。该模型通过LSTM网络对光纤陀螺的零偏和标度因数进行实时预测和校正,提高光纤陀螺的测量精度。试验结果表明,在温度冲击下,LSTM预测模型补偿后的标度因数误差小于30ppm,零偏稳定性比常规的线性拟合补偿模型提高0.0034（°）/h。这意味着输出更准确地反映实际角速度值,陀螺仪的零偏漂移更小,输出更接近于零值。动态试验中转台输入为20（°）/s时,LSTM补偿后陀螺输出稳定在19.999～20.001（°）/s区间内,相较于陀螺原始输出误差降低0.008（°）/s。通过LSTM预测模型补偿,能够在环境变化、外部扰动或传感器故障时,通过陀螺仪提供更可靠的数据支持,维持飞行器的稳定性和安全性。     

挠性陀螺寻北中的航向误差

陀螺两位置寻北中存在非线性航向误差,其测量航向角与真实的航向角差值的大小随真实航向角的变化而变化,呈现出近似为正（余）弦曲线的波动形式。本文分析了挠性陀螺寻北系统中航向效应产生机理。介绍了陀螺两位置寻北原理及误差模型,重点分析了挠性陀螺仪零次项漂移和一次项漂移对航向误差的影响,推导了误差公式,估计了两位置寻北中陀螺仪精度对测量精度的影响,寻北试验的结果验证了理论分析结论。     

一种圆锥运动条件下的等效旋转矢量算法研究

传统旋转矢量姿态算法一般采用陀螺的角增量信号来构造积分算法,当应用于输出为角速率的光纤陀螺捷联系统时,通过角速率提取角增量,算法会损失一定精度。提出了一种以陀螺角速率信号与角增量信号同时作为输入的改进旋转矢量姿态算法,进一步补偿了圆锥误差,提高了计算精度。仿真结果表明,该算法与传统二子样算法相比较,计算量相当,姿态精度、速度精度、位置精度有大幅度的提升。     

基于小波分析和时间序列理论的陀螺仪随机漂移建模研究

综合分析了已有的对陀螺随机漂移建模的各种方法,在分析其各自的优缺点的基础上,考虑到运算的快速性及模型的准确性,这里提出了综合运用小波分析和时间序列理论对陀螺仪随机漂移进行建模的方法,并通过M atlab仿真实验,分析肯定了该方法的有效性和实用性。     

基于误差预测修正的液体火箭发动机故障预测方法研究

为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。     

干涉型光纤陀螺温度漂移建模与实时补偿

 分析了干涉型光纤陀螺(IFOG)温度漂移的影响因素，通过建立温度与陀螺模型参数之间的线性相关关系，推导出了光纤陀螺温度漂移的分布模型。为了提高陀螺温度漂移模型的适应性，设计了0.25,0.75,1.00 ℃/min三种变温速率的温度试验，并利用小波变换的方法分离数据中的噪声和趋势项。基于温度漂移的分布模型和最小二乘误差（LSE）准则，建立了多参量联合线性模型来估计陀螺温度漂移。采用升温过程和降温过程分段建模的方法将多参量联合线性模型算法进行了简化，并在现场可编程逻辑阵列（FPGA）中分时复用一个全串行有限冲激响应（FIR）滤波器实现了陀螺温度漂移的实时估计。仿真的温度补偿结果及实时的温度补偿结果显示，该方法可以使陀螺温度漂移减小到1/10~2/10。     

BP神经网络在元器件贮存可靠性参数预测中的应用

元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用BP神经网络模型对某元器件贮存可靠性性能参数时间序列进行了预测,仿真表明BP神经网络预测模型有较高的精度。     

基于小波神经网络航空发动机滑油系统故障诊断方法研究

研究了基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络对航空发动机滑油系统进行故障诊断.试验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

稳定平台中陀螺漂移自适应实时估计算法

 针对陀螺稳定平台的漂移问题,建立了陀螺稳定跟踪装置在不同工作模式下陀螺漂移的数学模型,指出稳定模式下包含常值漂移和相关漂移的陀螺低频噪声是影响稳定精度的主要原因。提出一种自适应实时估计算法,采用卡尔曼滤波框架和滤波器收敛判据,结合Sage-Husa滤波和加权Sage-Husa滤波算法,利用跟踪器跟踪静止目标时输出的脱靶量信号对陀螺常值漂移和相关漂移进行估计。实验结果表明:该算法能够在系统模型和噪声特性均不准确的情况下使用,收敛时间小于3 s,估计均方差小于0.02 (°)/s,具有良好的鲁棒性和自适应能力。     

基于IPSO-Elman神经网络的飞机客舱能耗预测

为了提高飞机客舱使用地面空调制冷时客舱能耗的预测精度，提出了一种改进的粒子群优化（IPSO）Elman神经网络的飞机客舱能耗预测模型。依据对算法中惯性权重与学习因子的收敛域分析，得出了二者合理的取值范围，将粒子到全局最优位置间距离与参数的取值范围相结合，构造了惯性权重与学习因子的动态调节函数，对其进行非线性的动态调节，并引入了变异因子，提出了一种跳出局部最优的策略，防止粒子群优化（PSO）陷入局部最优。将IPSO-Elman应用于Boeing738飞机客舱能耗预测中，与PSO-Elman、Elman算法进行性能比较，仿真结果表明基于IPSO-Elman的客舱能耗预测模型在预测精度和收敛速度方面均有一定的提升。该研究结果为飞机客舱能耗预测模型的建立提供了理论依据，对飞机地面空调的节能与机场电能合理调配提供了支持。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑，运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论，建立航空发动机性能趋势预测的神经网络模型，同时，针对神经网络的结构设计困难问题，建立了基于遗传算法的结构自适应神经网络预测模型，实现了神经网络结构的优化。最后，利用三组民航飞机发动机的性能数据进行了预测分析，验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

基于多参量模型的光纤陀螺温度误差补偿

温度漂移误差是制约光纤陀螺精度的重要因素之一。针对传统光纤陀螺温度补偿方法仅对温度项建模导致补偿精度差的问题,提出了一种新型多参量模型来补偿光纤陀螺温度误差的方法。通过对陀螺零漂误差和温度各相关项进行相关性分析,将温度和温度速率的乘积项及温度梯度滞后项引入到温度漂移误差模型中,建立了多参量分段补偿模型对零偏进行补偿,显著改善了光纤陀螺的零偏稳定性。使用实测光纤陀螺数据对提出的补偿方法进行实验验证,结果表明采用该方法补偿后,零偏误差平方和降低2个数量级,陀螺漂移均值、方差稳定在零点附近,补偿效果优于温度项分段拟合方法,与非线性模型预测效果相当。     

基于ESN的航空发动机状态组合预测方法

基于回声状态网络(ESN)预测模型,结合小波分析和主元分析,提出一种组合预测方法.首先对含噪非线性时间序列进行小波降噪,并重构时间序列产生训练样本,再将训练样本通过主元分析进行降维处理,降维后的时间序列数据则输入ESN模型进行预测分析.对控制飞机动力输出的动压参数非线性时间序列数据进行了仿真对比实验,结果表明:组合预测方法的5步和单步预测速度累计提高了66.97%,预测的平均平方误差、标准均方根误差和归一化绝对误差也均有较大提高.该方法与传统基于ESN的预测模型相比,能有效地提高预测的效率和精度,是一种有效的非线性时间序列预测方法.      

小波包与PNN在抖动控制电路故障诊断中的应用

抖动控制电路是激光陀螺仪的重要组成部分,电路一旦发生故障,激光陀螺仪的输出信息也会随之出现错误。因此,有必要对抖动控制电路的故障诊断技术进行研究。基于不同故障模式下各频段能量的改变,提出了基于小波包频带能量谱和概率神经网络(PNN）的故障诊断方法。采用小波包分解提取各频段的能量信号,将其作为故障特征向量,利用PNN强大的非线性映射能力,以PNN作为分类器,对实验样本进行学习和测试。实验结果证明,所提方法可以较高精度识别出实验中的12种故障模式。     

改进的RBF神经网络非线性预测模型在语音编码中的应用

用一种改进的径向基函数(RBF)神经网络建立非线性预测模型来对语音信号进行处理,在提高预测精度的同时不影响传输码率。这种改进的RBF神经网络具有计算量小,学习速度快,不易陷入局部极小等优点。将此模型应用在ADPCM语音编码系统中进行验证,其恢复的语音质量优于CCITT建议G.721中的ADPCM编码,表明该非线性预测模型具有较高的预测精度,且在语音编码系统中有着很大的实用性。     

卫星参数趋势预测EMA熵组合算法

卫星遥测参数的趋势变化状态对卫星故障预测的判断起到重要的指导作用,立足于遥测参数特性,提出等高线预测方法,从特征数据出现的时刻对参数进行趋势预测。为了提高预测精度,引入EMA(增加期望模式)误差分析模式,结合之前提出的新息灰预测模型,根据熵组合基本原理建立基于EMA熵组合预测模型。通过工程数据仿真计算,并利用预测有效度对各种算法进行评估,结果验证了基于EMA的熵组合预测模型的正确性和可靠性。     

光纤陀螺仪中尖峰脉冲引起漂移 的误差分析及其抑制

首次分析了光纤陀螺仪探测器输出信号中频率固定的尖峰脉冲对光纤陀螺 仪零偏漂移的影响机理,给出了尖峰脉冲影响光纤陀螺仪零偏漂移的误差模型;根据干 涉式数字闭环光纤陀螺仪探测器输出信号的特点,提出了一种基于高速集成模拟开关的 时域选通尖峰脉冲抑制具体实现方法,实验验证了尖峰脉冲引起的零偏漂移大小和理论 分析接近,表明了误差模型的正确性,同时表明该方法能够有效降低尖峰脉冲引起的光 纤陀螺仪零偏漂移。     

用相关参数实现参数多步预测的神经网络方法

对相关参数预测的非线性时间序列进行分析,提出了用相关参数实现多参数、多步数预测的神经网络方法,建立了神经网络实时预测模型,并对预测参数进行了综合处理,不仅弥补了预测信息的不足,而且能够使故障状态提前得到多次警报,克服了传统预测方法所遇到的困难,提高了预测模型精度