基于自适应遗传算法的MEMS加速度计 快速标定方法

微惯性测量单元（MIMU）的标定技术是低精度惯性导航领域中的重要研究方向,传统标定方法操作复杂,标定精度严重依赖转台精度。为解决大批量MIMU快速标定的问题,提出了一种基于自适应遗传算法（GA）的微机电系统（MEMS）加速度计快速标定方法,将加速度计标定问题转化为参数优化问题。首先,利用模观测原理构造目标优化函数;然后,分析系统可观测度确定最优标定编排方案;最后,采用全局搜索的自适应遗传算法优化标定参数。实验结果表明:与牛顿迭代法相比,标定精度提升1~3个数量级,运算速度提高61%。标定后解算的水平姿态角误差小于0.1°,可实现与传统标定方法相同量级的姿态精度,验证了所提方法的优越性和实用性。      

基于混合策略的麻雀搜索算法改进及应用

针对麻雀搜索算法(SSA)搜索精度不高、全局搜索能力不强、收敛速度慢和易于陷入局部最优等问题，提出了一种基于混合策略的麻雀搜索算法(HSSA)。采用改进的Circle混沌映射初始化种群，提高种群多样性；结合樽海鞘群算法改进发现者的搜索公式，提高算法迭代前期的全局搜索能力和范围；在加入者的搜索公式中引入自适应步长因子，提高算法的局部搜索能力和收敛速度；通过镜像选择机制，提升每次迭代后的个体质量，提高算法的寻优精度和寻优速度；在位置更新处加入模拟退火机制，帮助算法跳出局部最优。利用8种测试函数进行测试，结果表明，改进算法比SSA有更好的寻优性能。将改进前后算法与极限学习机结合进行实验，人体表面肌电信号数据集的分类预测精度从80.17%提高到90.87%，证实了改进算法的可行性和良好性能。     

旋翼多维振动最优调整方法

针对直升机旋翼系统非线性、难以建模的特点,采用径向基函数(RBF,Ra-dial Basis Function)神经网络建立直升机旋翼动平衡调整模型.根据约束条件以直升机机身振动值作为目标函数建立适应度函数,以旋翼系统的调整参数为优化变量,进行神经网络学习和优化.利用粒子群优化(PSO,Particle Swarm Optimization)算法对适应度函数进行寻优,获得当直升机振动最小时的桨叶的调整参数.实验结果表明:PSO算法寻优效率方面高于遗传算法;RBF神经网络和PSO算法相结合可以有效地实现直升机旋翼动平衡调整.     

基于CPSO优化的空空导弹μ综合控制器设计

粒子群优化算法（PSO,Particle Swarm Optimization）在空空导弹μ综合控制器参数优化中易出现早熟现象而无法获得全局最优解.针对此问题,提出一种动态加速常数的粒子群优化算法（CPSO,Constant Particle Swarm Optimization）.改进算法通过对加速常数的指数形式变化,在寻优前期扩大搜索范围,在后期提高收敛效率,从而避免了寻优过程中的早熟现象.仿真结果表明,改进的CPSO优化算法具有更强的全局搜索能力,设计出的μ综合控制器具有更优的性能,满足给定的性能指标和自动设计指标,节省了大量设计时间,具有工程应用价值.     

全局最优导向模糊布谷鸟搜索算法及应用

针对标准布谷鸟搜索算法探索能力强而开发能力较弱、收敛速度慢及计算精度较差等问题,提出了具有全局最优导向的模糊布谷鸟搜索算法。在鸟窝更新公式中引入全局最优导向策略,在产生新的鸟窝位置时利用到当前最优鸟窝位置信息,以保持鸟窝的多样性并提高算法的开发能力。另外,采用模糊逻辑规则对布谷鸟算法中的搜索步长和外来鸟蛋被发现概率这2个重要参数进行自适应调整,以提高算法的全局收敛性能和求解精度。通过2个经典结构可靠性分析极限状态方程测试该算法的性能,并将其应用于某飞机舱门锁定机构可靠性分析中。实验结果表明,与粒子群算法、标准布谷鸟搜索算法和改进布谷鸟搜索算法相比,所提出的全局最优导向模糊布谷鸟搜索算法在进行可靠性分析中,能够有效地提高解的精度并增加收敛速度,寻优效果更优。      

一类解决变应力加速寿命试验参数估计的方法

变应力加速寿命试验的极大似然函数是高维非线性复杂目标函数,其待估参数多,采用梯度下降优化方法进行参数估计容易陷入局部极值,而采用全局优化方法又存在寻优效率低的问题.为了解决复杂多维目标函数优化的瓶颈问题,设计了一种基于实数编码遗传算法和Powell法的遗传加速方法.利用适应度函数获得两种优化方法的最佳切换点,最大程度发挥遗传算法和Powell算法的优点,既提高了多维非线性目标函数寻优效率又保证了参数估计的全局最优.液压泵加速寿命试验实例分析结果表明,遗传加速方法可以在寻优前期利用遗传算法保证待估参数的全局最优估计,在寻优后期快速逼近最优值,使寻优成功率达到85%.     

仅测角定轨问题迭代格式的推导与应用

针对由仅测角信息确定卫星轨道的问题，建模为求解相应适应度函数零点的一类方法，分析了求解该问题的高斯-牛顿迭代法中涉及的观测时间步长、动力学方程求解步长和迭代格式步长三者之间的区别与联系。针对一般精定轨方法由于适应度函数高度非线性而难以构造有效迭代格式的问题，提出了初定轨与精定轨方法结合的定轨方法，并在理论上分析了该方法的可行性。通过数值实验验证了所提求解方法的准确性、有效性和高效性。     

基于粒子群优化LSTM的股票预测模型

为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。      

面外轴向检测MEMS加速度计研究现状

面外轴向检测微机电系统（MEMS）加速度计（Z轴MEMS加速度计）是MEMS惯性系统中用于提供面外加速度信号的重要器件。文章首先介绍了Z轴加速度计的两种典型结构，列举了国内外科研机构近年来的研究成果，概述其在结构设计、工艺制造等方面的特点，以及在性能指标、三轴单片集成等方面的进展。最后，结合Z轴MEMS加速度计的研究现状，对其在结构优化、性能提升、工艺制造、单片三轴集成等方向的发展进行了展望。     

一种跨声速定常流场求解加速方法

跨声速定常流场的隐式求解相当于使用牛顿迭代法求解一个非线性方程组。为满足牛顿迭代收敛性的要求,通常需要对所求解问题进行全局化处理。在同伦延拓的框架内,提出了一种基于拉普拉斯算子的方程延拓方法,提高了定常流场隐式求解收敛速度。针对定常流场通常初始化为均匀来流的特点,一方面利用拉普拉斯算子的椭圆性加快边界条件信息向流场内部的传播,另一方面利用拉普拉斯算子的线性和正定性改善延拓问题的正则性,综合两者增加拟牛顿算法的稳定性,提高可用CFL数,最终达到提高流场求解效率的目的。由于流场问题的复杂性和非线性,难以通过理论分析得出先验的最优非线性求解策略。因此,通过无黏NACA0012翼型、湍流RAE2822翼型和三维ONERA M6机翼等算例的数值实验,研究了拉普拉斯项参数对收敛效率的影响,给出了效率较优的参数组合,验证了本文方法在跨声速情况下相对于经典伪时间推进法可以节约20%以上的CPU计算时间。      

基于数据融合的MEMS阵列加速度传感器实现方法

针对单MEMS加速度计性能有限无法满足实际工程中日益复杂且严苛的检测需求的问题,提出了一种基于数据融合的MEMS阵列加速度传感器实现方法。首先,设计了MEMS阵列加速度传感器的系统架构,并分析了对数据融合算法的技术需求;然后,针对已有的数据融合技术无法满足MEMS阵列加速度传感器的精度与实时性要求的问题,提出了基于离散对数映射的自整定加权融合算法,在此基础上,设计了MEMS阵列加速度传感器的仿真验证方案。仿真实验结果表明,提出的方法通过三个不同范围MEMS加速度计的阵列集成提高了信号检测能力,相比于最优拼接法其平均损失降低了6.1%,且融合数据精度优于各个加速度传感器的原始仿真数据,是高性能MEMS阵列加速度传感器的有效实现方案。     

基于改进粒子群优化算法的巡航导弹航路规划

粒子群优化(PSO, Particle Swarm Optimization)算法是继遗传算法、蚁群算法之后的又一种新的群体智能算法,经常用于复杂问题的求解.由于其迭代公式是面向连续空间的,因此更适合解决非网格拓扑的航路规划问题.标准的粒子群优化算法在寻优的过程中容易出现早熟现象,针对这种现象,提出了一种改进的粒子群优化算法.改进算法根据相应的代价函数选择精英粒子和较差粒子,对较差粒子采用了带有动能补偿的速度更新策略,从而避免了寻优过程中的早熟现象;在单个粒子的运动方面引入了最差粒子的失败经验,让群体中粒子有效避开最差解.仿真表明:改进算法在航路规划的应用中具有更强的搜索能力,获得的航路代价在进化代数相同的前提下更小.      

SINS外场系统级标定方法的优化——最佳六位置

静态多位置标定问题,不同位置编排方式会影响辨识精度.针对六位置标定方法,通过建立位置编排与惯组9个误差参数(加速度计零偏、标度因数误差和陀螺零偏)标定精度之间的关系,将惯组位置编排问题转化为Fisher信息矩阵的优化问题,并在A-最优、D-最优和E-最优3个优化指标下,给出了惯组位置编排的最优方案,通过仿真与满足可辨识条件的一组位置编排比较,结果表明最优方案能够提高加速度计零偏和标度因数误差的标定精度.      

无依托状态加速度计的新型标定方法

为解决加速度计性能参数时变性的问题,提出了无依托状态下加速度计标定方法.在无需借助转台等传统标定设备、无需拆卸惯性元件的条件下,充分利用惯导系统(INS,Inertial Navigation System)自身资源,以静基座初始对准获得的准确姿态信息为前提,利用当地重力g作为标定基准,考虑到误差模型非线性的特点,引入非线性寻优策略辨识零位偏差,将误差模型蜕变为线性后,运用线性最小二乘方法辨识安装误差矩阵和刻度因数误差,从而实现加速度计关键参数标定.数值仿真结果显示:经过标定后加速度计测量误差可减小20倍,说明在无依托状态下具有工程实用价值.      

求解概率优化问题的微种群免疫优化算法

针对未知随机变量分布环境下的非线性概率优化模型,探讨微种群免疫优化算法。算法设计中,基于危险理论的应答模式,设计隐并行优化结构;经由自适应采样方法辨析优质和劣质个体;通过动态调整个体的危险半径确定危险区域和不同类型子群;利用多种变异策略指导个体展开多方位局部和全局搜索。该算法的计算复杂度依赖于迭代数、变量维数和群体规模,其具有进化种群规模小、可调参数少和结构简单等优点。借助理论测试例子和公交车调度问题,比较性的数值实验显示,此算法在寻优效率、搜索效果等方面均有一定的优势,对复杂概率优化模型有较好潜力。      

冰雪天气下基于MFOA-KELM残差修正的跑道温度混合预测

道面温度短时精准预测是跑道积冰预警的关键因素之一, 为了解决单一机理预测模型随预测时间延长而造成误差累积的问题, 提出了一种冰雪天气下跑道温度混合预测方法。将跑道温度机理预测模型与核极限学习机(KELM)相结合, 建立一种数据驱动修正残差的跑道温度机理预测模型。针对果蝇优化算法(FOA)收敛速度慢、易陷入局部最小值的问题, 引入权值更新函数和距离扩充因子, 调整果蝇的全局寻优效果, 避免陷入局部极小值。利用改进的果蝇优化算法(MFOA)对KELM的正则化参数与核参数联合优化, 以冰雪天气下跑道温度实际数据为例, 建立基于改进果蝇优化核极限学习机(MFOA-KELM)的跑道温度混合预测模型, 并在不同时间尺度下对该混合预测模型进行仿真测试。实验结果表明:与单一机理预测模型相比, 当预测时长为120 min时, MFOA-KELM混合预测模型的平均绝对误差至少减小了61.43%, 在残差阈值为±0.5℃时, 平均预测准确率为91.25%。可见, MFOA-KELM混合预测模型具有更高的预测准确性, 研究结论显示该混合预测方法能够为机场跑道温度短时精准预测提供新思路。