改进布谷鸟搜索算法优化支持向量机的MEMS陀螺温度零偏补偿

针对微机械陀螺零偏受温度影响较大的问题,提出一种改进布谷鸟搜索算法(CS)和支持向量机(SVM)相结合的陀螺零偏温度补偿方法。首先,将平滑处理后的陀螺数据作为样本点,采用基于径向基核函数的支持向量机方法构建漂移模型,把数据从低维空间映射到高维空间进行线性拟合。然后,利用改进布谷鸟算法对支持向量机的惩罚参数、核函数参数以及不敏感系数进行优化,避免了人为选择参数的盲目性且提高了建立模型的精度。实验结果表明：经CS调节支持向量机算法补偿后,陀螺输出精度更高。与最小二乘分段拟合方法、BP神经网络方法相比,陀螺输出数据方差分别平均减小了63.2%、43.4%,最大误差分别平均减小71.63%、48.3%。     

基于最小二乘支撑矢量机的陀螺漂移预测

为提高支撑矢量机(SVM)标准算法速度和解决大规模问题,研究了SVM的最小二乘回归算法,并给出了计算模型。对陀螺仪漂移预测的结果表明,最小二乘SVM算法的精度与标准算法相近,并可解决大规模数据问题,在工程实践中具有其有效性和可行性。     

基于最小二乘支撑矢量机的陀螺仪漂移预测

研究了支撑矢量机的回归估计算法。针对标准支撑矢量机算法训练速度慢、难以解决大规模问题的局限性，对标准算法的约束条件加以改进，得到一种最小二乘支撑矢量机回归估计算法，该算法大大提高了支撑矢量机的训练速度和解决大规模问题的能力。论文将最小二乘支撑矢量机应用于陀螺仪的漂移预测中，仿真实验结果证明了算法的有效性和可行性，为陀螺仪的实时预测及故障预报提供了可能。     

基于最小二乘支持向量机的工具误差分离与折合

制导工具误差分离与折合是导弹精度评定中的重要问题,提出了利用支持向量机方法获得工具误差系数估计和进行弹道误差折合的新方法,由于支持向量机综合考虑了结构风险和经验风险,使得模型的泛化能力增强。仿真计算表明,与最小二乘和主成分方法相比,最小二乘支持向量机获得的误差系数估计与真值更加接近,折合得到的全程弹道遥外差更加准确。     

基于最小二乘支持向量机的小样本建模方法研究

针对捷联惯组历次测试数据小样本建模问题,提出了通过二次修正插值方法解决测试数据的非等间隔性和样本容量小的问题。并通过相空间重构的思想将一维时间序列多维化。最后通过最小二乘支持向量机建立预测模型。实例分析表明,建立在二次修正插值基础之上的最小二乘支持向量机时间序列模型具有较高的预测精度,能够很好地满足对惯组测试数据分析的要求。     

航天器单层板结构弹道极限的支持向量机预测模型

提出了一种基于非线性不可分支持向量机（SVM）方法的航天器单层板结构弹道极限预测模型。利用实验数据对SVM进行训练,建立穿透点和未穿透点的分隔面,进而预测新结构弹道极限特性。SVM的训练问题是以实验点分类正确性为约束,预测置信度最大化为目标的二次规划问题,用Lagrange对偶方法有效求解了该训练问题,并通过附加Lagrange乘子的上限约束处理不可分数据集。引入二次核函数将线性SVM推广到非线性,有效实现了实验点的分类。利用超高速碰撞实验数据对SVM弹道极限预测模型进行了验证,计算对比表明SVM方法有效预测了弹道极限,并且精度高于NASA JSC单层板弹道极限方程。对分离面方程分离变量,建立了基于SVM的弹道极限方程显式表达式。     

松鼠搜索算法优化SVM的液体火箭动力系统故障诊断

为了对液体火箭动力系统的故障进行诊断，提出了一种基于松鼠搜索算法(SSA)优化支持向量机(SVM)的故障诊断方法。将支持向量机的两个重要参数惩罚因子和核函数参数作为松鼠位置矢量，由输出的最佳参数构成SSA-SVM预测模型。实验选取某液体火箭动力系统的846组数据进行诊断。结果表明，对于168组测试样本集，诊断预测错误为4个，测试集分类错误率较低。     

半球谐振陀螺仪寿命的一种长周期预测方法

为了缩短半球谐振陀螺仪寿命实验周期,降低实验成本,提出了一种针对漂移数据的残差修正ARGM(1,1)(Autoregressive GM(1,1))寿命预测方法。该方法利用神经网络与支持向量机中的自回归方式改进灰色模型,提高了模型的自适应能力,增强了模型的学习能力与预测能力,降低了模型回归学习的时间消耗和数据量要求,提高了预测效率。采用小波包络分析预处理某型号半球谐振陀螺仪的漂移数据,利用提出的预测方法对处理后的数据进行长周期预测,并结合灰色关联分析方法,分析失效阶段并最终预测出半球谐振陀螺仪的寿命。实验表明,残差修正ARGM(1,1)模型对半球谐振陀螺仪漂移数据的长期预测精度高于传统GM(1,1)模型、BP神经网络与支持向量机,结果也表明了研究方法的正确性和有效性。     

基于辅助模型思想的带可变遗忘因子的最小二乘辨识算法

为了对时滞系统的时滞参数和系统动态参数进行辨识,本文提出了一种基于辅助模型思想的带可变遗忘因子的最小二乘辨识算法。建立辅助模型,用辅助模型输出代替系统的无噪声输出。引入基于预测误差的可变遗忘因子,加快算法的收敛速度,提高算法的预测精度。最后,通过仿真证明了本文算法的有效性。     

基于小样本数据的惯性平台系统贮存可靠度的预测方法

针对小样本的惯性平台系统贮存可靠性问题,开展了系统的方法研究。首先,分析了惯性平台系统定检数据的特点;其次,引入最小二乘支持向量机的预测方法对惯性平台系统贮存可靠度进行预测。数值计算结果表明,与多项式回归预测方法和灰色预测方法相比较,预测结果更加科学、准确。     

基于改进粒子群优化LS-SVM的卫星钟差预报研究

针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化（PSO）最小二乘支持向量机（LS-SVM）的卫星钟差预报方法。通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取国际GPS服务组织（IGS）产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明：LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路。     

一种基于模拟退火的支持向量机超参数优化算法

基于统计学习理论的支持向量机技术以探求小样本情况下如何获得更好的机器学习规律而见长,与基于经验风险最小化原则的机器学习方法相比能够获得更佳的泛化能力,相关超参数的选择对其分类或回归性能有较大影响.针对径向基核支持向量机超参数优化问题,提出了一种改进的基于模拟退火算法的高效多目标优化算法,并详细讨论了优化寻优过程中搜索空间、初始可行解、初温和最优目标函数的设计方法.通过在多个标准数据集上的测试验证,证实了本文所提算法的可行性和有效性.     

基于支持向量机的惯导初始对准系统

针对平台式惯导系统的初始对准 ,提出了基于支持向量机 (SVM)网络的滤波器 ,并将其用于惯导初始对准中 ,代替初始对准系统中的闭环Kalman滤波器 ,可以确保系统的误差状态始终为小量 ,实现了惯导初始对准中的滤波与校正功能 ,并将其与神经网络滤波器、闭环Kalman滤波器进行对比。仿真结果表明 ,采用SVM网络滤波器简化了系统运算的代数结构 ,提高了系统状态估值运算的实时性 ,而对准系统的精度又与采用闭环Kalman滤波器的精度相当 ,并且SVM网络克服了神经网络的不足。     

一种航天器图像分类模型快速学习方法

为了有效分类空间目标,提出了一种航天器图像分类模型快速学习方法。分类模型的学习过程利用了分治思想,首先利用无监督聚类方法将图像数据集散列为类别桶,然后利用每个类别桶中的图像样本训练支持向量机完成学习过程。分类时利用支持向量机对待分类图像样本进行分类。实验结果表明,所提方法具有较好的实时性和准确率,能够为空间应用打下良好基础。     

扩展旋转矢量捷联姿态算法

给出了一种新的旋转矢量捷联姿态构造算法，该算法由陀螺样本的多重积分来构造旋转矢量的最小二乘估计。新算法具有较好的顺序递推结构，易于在机载计算机上编程实现，比传统方法更容易满足一些限制较多的特殊应用。文中还给出了该算法在机载计算机上的计算流程及算法的局部硬件化实现。