基于循环神经网络的卫星姿态执行器故障诊断

针对卫星姿态控制系统执行器机构故障问题，提出了一种基于循环神经网络的故障诊断方法。对卫星姿态控制系统建模，进行故障分析并采集星敏感器和角速度陀螺的连续时刻故障数据。设计六种异构的循环神经网络，对故障数据进行故障诊断和分类, 分别从网络深度、反馈单元、激活函数和训练算法对比网络效果。带有门循环单元的 (gate recurrent unit，GRU)深层循环神经网络训练效果更好，其故障诊断准确率达到了95.7%。结果表明对于时序的卫星数据，门循环单元和带有一定深度的循环神经网络故障诊断效果更优。     

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。      

MEMS陀螺随机误差的建模与分析

为了更全面地了解微机电系统(MEMS,Micro-Electro-Mechanical Systems)陀螺仪的随机漂移误差随时间变化的特性,利用动态Allan方差分析法对MEMS陀螺仪输出信号特性进行了全面分析.首先介绍了Allan方差和动态Allan方差分析法原理,然后分别利用Allan方差分析法和动态Allan方差分析法对MEMS陀螺仪的实测数据进行了特性研究与性能分析.研究结果表明:速率斜坡、量化噪声和速率随机游走是MEMS陀螺的主要随机噪声,并且MEMS陀螺的随机漂移具有随时间变化的不稳定性.动态Allan方差不仅可以分离和辨识出MEMS陀螺的主要随机误差源,而且可以跟踪和描述信号随时间变化的稳定性,因此动态Allan方差较经典Allan方差分析法能够更全面地表征MEMS陀螺仪的性能.     

基于声光技术的扩频信号循环谱的检测

扩频信号是被伪随机码调制的周期信号,因此它应被建模为循环平稳随机信号.基于循环平稳随机信号的谱相关理论,提出了一种采用基于声光信号处理技术的扩频信号循环谱检测方法.通过研究扩频信号的循环频率、循环功率谱和基于时间积分的声光循环平稳处理模型,利用声光循环平稳时间积分相关器,在循环频率处对扩频信号的声光相关函数(循环谱)进行检测.相比于传统的能量检测方法,循环谱检测方法具有更好的检测性能;对于噪声和干扰,无论是平稳的、还是非平稳的,循环谱检测方法都具有较强的抗干扰能力,仿真结果证明了其有效性.     

MEMS陀螺仪随机误差滤波

针对微机电系统(MEMS,Micro Electromechanical System)陀螺仪的随机漂移,基于小波多尺度分析,利用bior1.5小波对陀螺仪的随机漂移进行深度为4的分解,重建各尺度信号,采用时间序列方法对陀螺仪各尺度随机漂移进行建模,与传统时间序列方法建模相比,降低了模型的预测误差.并构建了模糊自适应Kalman滤波,利用模糊控制方法基于残差均值与方差差值对噪声方差阵进行实时调整,提高对重建后的各尺度信号随机噪声滤波效果.通过一系列对比实验证明,基于多尺度分析的模糊自适应Kalman滤波对于消除MEMS陀螺仪随机漂移误差作用明显.通过Allan方差分析,滤波后的数据各随机误差项均得到有效减小.     

基于加性对偶四元数的惯性/天文组合导航算法

为了提高惯性/天文组合导航系统在高动态条件下的导航精度,提出了一种基于加性对偶四元数的惯性/天文组合导航算法.该算法将载体的旋转和平移统一起来,使用螺旋矢量更新对偶四元数,同时补偿圆锥误差和划船误差.推导了组合导航系统基于加性对偶四元数的误差模型和导航参数误差的计算方程;把陀螺仪和加速度计的常值误差扩充到状态变量中,随机误差作为系统噪声输入,利用星敏感器输出参数来校正陀螺漂移,通过卡尔曼滤波对状态变量进行估计.仿真结果表明:在高动态条件下,基于对偶四元数的惯性/天文导航算法的导航精度比传统算法提高2倍多.     

基于加性对偶四元数的惯性/天文组合导航算法

为了提高惯性/天文组合导航系统在高动态条件下的导航精度,提出了一种基于加性对偶四元数的惯性/天文组合导航算法.该算法将载体的旋转和平移统一起来,使用螺旋矢量更新对偶四元数,同时补偿圆锥误差和划船误差.推导了组合导航系统基于加性对偶四元数的误差模型和导航参数误差的计算方程;把陀螺仪和加速度计的常值误差扩充到状态变量中,随机误差作为系统噪声输入,利用星敏感器输出参数来校正陀螺漂移,通过卡尔曼滤波对状态变量进行估计.仿真结果表明:在高动态条件下,基于对偶四元数的惯性/天文导航算法的导航精度比传统算法提高2倍多.     

一种电离层TEC格点预测模型

基于分析时间序列数据的门限控制单元（GRU）神经网络模型,利用电离层TEC网格点历史数据、太阳活动指数、地磁活动指数作为预测因子,提出一种高精度电离层TEC格点预测模型.对全球60个网格点的数据进行了模型预测和对比实验,得到北半球平均相对精度的均值为83.96%,高于南半球的73.60%,表明预测模型在北半球的适应性更好,且中低纬地区的适应性优于高纬地区;预测模型在磁扰动期的平均相对精度的均值比磁平静期平均相对精度的均值高,约1.95%;与基于递归神经网络（RNN）、长短时记忆网络（LSTM）和双向长短时记忆网络（Bi-LSTM）的电离层TEC单站预测模型相比,本文预测模型的均方根误差（RMSE）平均为原来的80.8%.      

基于EMD的MEMS陀螺仪随机漂移分析方法

为了抑制微机械电子系统（MEMS）陀螺仪的随机漂移，基于经验模态分解（EMD）和模态集合选择标准，结合时间序列建模滤波法，提出了一种改进的MEMS陀螺仪随机漂移分析方法。首先，通过EMD将MEMS陀螺仪原始数据分解为多个本征模态函数（IMF），利用模态集合选择标准将IMF分为噪声IMF、噪声与信号混合IMF和信号IMF三类；然后，对混合IMF进行重构、时间序列建模及自适应卡尔曼滤波（AKF）；最后，将3类信号重构，实现MEMS陀螺仪信号去噪。实验表明:所提方法有更好的去噪效果和实时性，提高了MEMS陀螺仪的使用精度。      

机抖激光陀螺误差输出特性的分析

抖动机构作为机抖激光陀螺的关键环节,其参数的选择直接影响着机抖激光陀螺的误差输出特性.为了在陀螺设计时选择最佳抖动参数,提高机抖激光陀螺的测量精度,根据抖动偏频的基本原理,对抖动参数对机抖激光陀螺的偏置误差、刻度因子误差、角度随机游走误差的影响进行了深入分析.结果表明:机抖激光陀螺的偏置误差随着抖动幅度的减小而减小;在一定范围内刻度因子误差随着抖动幅度的增大而增大,超出这个范围随着抖动幅度的增大而减小;减小抖动角幅度可减小角度随机游误差.     

基于BP神经网络的随机信号筛选算法

在随机信号导航研究中,可接收到的信号数量众多、种类繁杂、特征多样,难以从中选择出适用于导航的信号。针对随机信号的筛选问题,提出了一种基于BP神经网络的随机信号筛选算法。该算法通过输入随机信号的特征信息,对随机信号的定位误差进行了估计,通过定位信息的误差对将信号用于导航的效果进行了评估。仿真结果表明,该算法能够对由随机信号解算而得到的导航信息误差进行估计,可以达到较好的筛选效果。     

基于掺铒超荧光光纤光源的高精度光纤陀螺

针对高精度光纤陀螺的需求,采用一种在1?550?nm波段长波反射的截止型薄膜滤波器研制出高性能的掺铒超荧光光纤光源,通过仿真确定了滤波器的特征参数,在-40℃~+60℃的温度范围内,光源中心波长稳定性为2.58×10^-6℃,输出功率稳定性优于1％.研究了这种光源的强度噪声,并采用一种噪声相减技术对光纤陀螺的噪声进行抑制,光纤陀螺的随机游走系数减小约20％.在此基础上,研制出高精度闭环全保偏光纤陀螺样机.Allan方差分析显示,研制出的样机零漂为0.004?5(°)/h、随机游走系数为0.003?5(°)/h ^{1 2} 、标度因素误差小于11×10^-6,已能满足高精度陆用惯性系统的要求.     

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

输入饱和情形下战斗机大机动动态面控制

针对战斗机大机动飞行输入饱和问题,提出了一种自适应神经网络动态面控制方法。采用径向基(RBF)神经网络逼近飞机系统的不确定性,利用双曲正切函数处理系统的输入饱和问题,根据饱和受限后的实际控制输入与期望控制输入之差定义新误差变量,结合该误差变量设计大机动飞行控制律,并构造鲁棒项抵消神经网络逼近误差、外部干扰和建模误差的影响,利用动态面控制技术避免对虚拟控制器的复杂求导并减小计算量。根据Lyapunov稳定性定理证明了闭环控制系统所有信号有界,且通过选择合适的设计参数能够使姿态角跟踪误差收敛到原点的任意小邻域内。通过仿真结果的分析,验证了所提方法具有较好的鲁棒性和稳定性。      

基于Allan方差法的光纤陀螺建模与仿真

介绍了一种与实际情况相接近的陀螺模型,并给出了根据光纤陀螺的角度随机游走（ARW）和角速率随机游走（RRW）系数模拟产生陀螺随机误差数据的方法．角度随机游走和角速率随机游走系数可通过Allan方差法获得．理论分析表明,模拟产生的陀螺随机误差具有与实际的角度随机游走和角速率随机游走误差相一致的功率谱密度．通过仿真对文中所述的模拟产生陀螺随机误差的方法进行了验证,表明了方法的有效性．该方法可用于分析由陀螺和星敏感器构成的卫星姿态确定系统的性能．