CN103900610A - 基于灰色小波神经网络的mems陀螺随机误差预测方法 - Google Patents
基于灰色小波神经网络的mems陀螺随机误差预测方法 Download PDFInfo
- Publication number
- CN103900610A CN103900610A CN201410121057.7A CN201410121057A CN103900610A CN 103900610 A CN103900610 A CN 103900610A CN 201410121057 A CN201410121057 A CN 201410121057A CN 103900610 A CN103900610 A CN 103900610A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- network
- grey
- data
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Gyroscopes (AREA)
Abstract
本发明提供的是一种基于灰色小波神经网络的MEMS陀螺随机误差预测方法。对MEMS陀螺的输出数据进行预处理,采集MEMS陀螺的输出数据,对输出数据小波分析,选取Db4小波函数对陀螺的输出数据进行去噪处理;对去噪后的MEMS陀螺的输出数据进行分组,确定输入向量和目标向量;构建灰色小波网络预测模型,确定灰色小波网络的输入节点数,输出节点数,隐含层节点数,初始化网络;对所建网络进行训练,并保存网络用来预测陀螺随机误差的趋势。本发明与传统的陀螺随机误差建模方法相比,本发明将灰色理论与小波神经网络相结合,从而改善MEMS陀螺随机误差预测精度,并且与传统方法相比预测精度有了明显的提高。
Description
技术领域
本发明涉及的是一种组合导航中MEMS(微机械陀螺)的随机误差预测方法。
背景技术
MEMS概念是由美国著名物理学家Feyman最先提出的,他指出MEMS技术发展的一个问题就是如何用低精度的工具制造高精度产品。MEMS陀螺仪具有如下优点:尺寸小、体积小、较轻的重量且成本比较低廉;MEMS陀螺采用的加工工艺是类集成电路的硅加工工艺,器件尺寸小,且重量轻,适合批量生产;性能稳定且抗干扰能力强;可靠性也比较高且易集成、功耗低。由于MEMS陀螺仪的这些优点,其在多个领域中均有广泛应用,尤其是航空、航天、军事及消费领域。目前,基于MEMS陀螺仪的导航、制导系统的研究很多,在汽车工业、生物医学工程、精密仪器、航天航空、移动通信等有了广泛的应用。但是由于MEMS陀螺精度比传统陀螺低,使其应用受到限制。如何改善MEMS陀螺精度成为MEMS陀螺的研究重点。
由于MEMS陀螺的制造工艺及使用环境的影响,使MEMS陀螺产生很大的随机误差,是影响其精度的一个重要原因。因此对MEMS陀螺进行误差补偿是提高其精度的一个重要手段。很多研究机构和学者都在研究MEMS陀螺的随机误差建模方法,以提高MEMS陀螺的性能和鲁棒性。
在现有的陀螺随机误差建模中,对于陀螺随机误差通常采用的是Allan方差和ARMA模型的建模方法。对于Allan方差方法是建立在统计学基础上的建模方法,仅适用于非平稳的随机信号;而时间序列ARMA模型要求数据必须是平稳、线性的,需对数据进行平稳化、线性化处理。小波神经网络是小波分析理论与神经网络相结合的产物,它继承了小波变换和神经网络的优点,因而表现出具有对非线性函数的最佳逼近和全局逼近的能力,又具有自学习、自适应、时频特性好、建模能力强等特性,因此在非线性系统建模获得了广泛的应用。灰色小波网络是将灰色理论与小波网络结合,用灰色理论模型预处理原始数据,然后用处理后的数据建立小波模型。这样可以减少网络的训练时间,提高预测精度。
发明内容
本发明的目的在于提供一种能保证预测的准确性的基于灰色小波神经网络的MEMS陀螺随机误差预测方法。
本发明的目的是这样实现的:
步骤1:对MEMS陀螺的输出数据进行预处理,采集MEMS陀螺的输出数据,对输出数据小波分析,选取Db4小波函数对陀螺的输出数据进行去噪处理;
步骤2:对去噪后的MEMS陀螺的输出数据进行分组,确定输入向量和目标向量;
步骤3:构建灰色小波网络预测模型,确定灰色小波网络的输入节点数,输出节点数,隐含层节点数,初始化网络;
步骤4:对所建网络进行训练,并保存网络用来预测陀螺随机误差的趋势。
本发明的优点:
(1)本发明首先对MEMS陀螺的输出信号进行去噪处理,减少噪声的影响,保证预测的准确性。
(2)本发明在信号去噪中采用改进阈值的方法对信号进行阈值处理,优点是可以很好保留信号的细节部分,去噪效果好。
(3)本发明采用的是灰色小波神经网络预测法。将灰色理论与小波网络集合,该方法利用灰色理论运算法则处理陀螺输出信号,使信号呈现一定的规律,优点是减少网络的训练时间及提高预测的精度。
附图说明
图1是基于灰色小波网络的MEMS陀螺随机误差预测流程图。
图2是提升方法的小波分解与重构示意图。
图3是MEMS陀螺原始数据输出示意图。
图4是基于小波去噪的MEMS陀螺数据输出示意图。
图5是小波神经网络结构图。
图6是小波神经网算法流程图。
图7是灰色小波网络预测输出结果。
具体实施方式
本发明描述的方法是一种MEMS陀螺随机误差预测方法,该发明采用了灰色小波网络的预测方法,与传统的陀螺随机误差建模方法相比,该方法将灰色理论与小波神经网络相结合,从而改善MEMS陀螺随机误差预测精度,并且与传统方法相比预测精度有了明显的提高。
结合图1,本发明的技术方案包括如下步骤:
步骤1:对MEMS陀螺的输出数据进行预处理。采集MEMS陀螺的输出数据,对输出数据小波分析,选取Db4小波函数对陀螺的输出数据进行去噪处理。
首先,把惯导系统安装在转台上,接通电源预热15分钟。对串口接收程序设置,利用所编写的导航系统界面进行陀螺输出数据采集。采样时间为20ms,采样样本长度为10000。并将采集的数据保存在文件夹中。从采集的MEMS陀螺仪输出数据中选取前5000个数据,通过陀螺确定性误差补偿实验,去除陀螺的确定性误差。
其次,对MEMS陀螺输出数据小波分析,通过对MEMS陀螺输出数据小波分析结果,可确定选取Db4小波函数及小波分解尺度为5对陀螺的输出数据进行去噪处理。
具体方法:对MEMS陀螺输出信号进行分解,利用提升格式的小波分解方法,示意图如图2所示。提取出MEMS陀螺输出信号的低频部分与高频部分。其步骤如下所示:
(1)分裂:将输入信号序列xi分为互不相交的、长度相同的偶数序列ei-1和奇数序列oi-1两组,即
Split(xi)=(ei-1,oi-1) (1)
式中,ei-1={ei-1,k=xi,2k},oi-1={oi-1,k=xi,2k+1},i为信号长度,k为整数。
(2)预测:通常通过偶数序列ei-1和预测算子p来预测奇数序列oi-1,预测误差di-1称为细节系数,对应于xi的高频部分。预测过程如下:
di-1=oi-1-p (2)
式中,p为预测算子,函数p表示如下:
(3)更新:为使子集具有同原数据相同的特征,需要更新过程。更新过程如下:
xi-1=ei-1+U (4)
式中,xi-1称为近似系数,对应于xi的低频部分;更新算子U与预测算子p一样,可取不同函数。
p与U取不同函数,可够造出不同的小波变换。
对xi-1按上述步骤分解,依此类推,n次分解后原信号xi的小波表示为分{xi-n,di-n,di-n+1,…,di-1}。其中xi-n代表信号的低频部分,{di-n,di-n+1,…,di-1}代表信号从低频到高频的高频部分序列。
对小波分解后的高频系数阈值量化处理。常用的方法通常有软阈值法和硬阈值法,但是两种方法都存在各自的缺陷;本发明采用改进阈值的方法对信号进行阈值处理,可以很好的保留信号的细节部分,达到很好的去噪效果。
新的阈值函数为:
式中,n为可调参数,ωi为第i层小波分解系数,由式知,当n→∞时,接近于硬阈值法;当n→1时,接近于软阈值法。式中为阈值,j为小波分解尺度,N为信号长度,σ为噪声标准差,由于实际信号中噪声是很难测出的,所以σ可以由下式计算:
σ=median(|ωi|)/0.6745 (7)
对阈值量化处理后的信号重构。小波重构是小波分解的逆过程,可由分解过程直接反推得到,重构过程的pk和Uk不变。
经过上诉过程,得到去噪后的陀螺输出信号。
步骤2:对去噪后的MEMS陀螺输出数据进行分组。
对去噪后的数据表示为[x1,x2,…,x5000],n个数据为一个样本,前n-1个数据[x1,x2,…,xn-1]T作为输入数据,第n个数据xn为目标值。为了得到精确的模型,选取m个输入向量和目标向量,输入向量为p=[p1,p2,…,pm],其中pi=[xi,xi+1,…,xi+n-2]T,i=1,2,…,m。目标向量为[xn,xn+1,…,xn+m]T。不同的n和m得到的模型预测精度不同,本发明中将陀螺的输出数据每10个数据为一组作为输入向量,后一个数据为目标向量;共形成500组输入向量,500个目标向量,即n=11,m=500。
步骤3:构建灰色小波网络。根据步骤2,我们可以确定灰色小波网络的输入节点数为10个,输出节点数为1个,隐含层节点数为21。本发明中利用灰色小波神经网络对陀螺随机误差进行建模。过程如下:
设时间数据序列为:
对x(0)做一次累加得到新的数据序列x(1),新的数据序列x(1)第i项为原始数据序列x(0)前i项之和,即
综上可得:
x(1)=Qx(0) (10)
其中:
将通过灰色理论运算法则处理得到的输入向量Qxi (0)(i=1,2,…,n-1)作为灰色小波神经网络的输入向量,目标向量Yj(j=1,2,…,m)作为网络的预测输出。由图5可知,网络的隐含层输出计算公式为:
式中,h(j)为隐含层第j个节点输出值;ωij为输入层和隐含层的连接权值;bj为小波基函数hj的平移因子;aj为小波基函数hj的伸缩因子;hj为小波基函数;i为输入向量个数;j为隐含层节点数;l为隐含层节点数。本发明中采用的小波基函数为Morlet母小波函数,数学公式为:
灰色小波神经网络输出层计算公式为:
式中,wjk为隐含层到输出层权值;h(j)为第j个隐含层节点的输出;l为隐含层节点数;m为输出层节点数。
步骤4:对构建的网络进行训练,预测陀螺随机误差。
本发明中主要应用灰色小波网络模拟函数:
xn=f(x1,x1+x2,…,x1+x2+…+xn-1) (14)
式中,n为输入数据个数。
对构建的网络进行训练,将步骤2中分组后的输入向量p=[p1,p2,…,pm]利用灰色理论运算法则处理得到QP,QP作为网络的输入向量,目标向量[xn,xn+1,…,xn+m]T作为网络的预测输出,训练网络,其中n=11,m=500。当网络达到设定的目标值时或达到最大迭代次数时保存网络。输入数据,预测MEMS陀螺的随机误差值。
Claims (6)
1.一种基于灰色小波神经网络的MEMS陀螺随机误差预测方法,其特征是:
步骤1:对MEMS陀螺的输出数据进行预处理,采集MEMS陀螺的输出数据,对输出数据小波分析,选取Db4小波函数对陀螺的输出数据进行去噪处理;
步骤2:对去噪后的MEMS陀螺的输出数据进行分组,确定输入向量和目标向量;
步骤3:构建灰色小波网络预测模型,确定灰色小波网络的输入节点数,输出节点数,隐含层节点数,初始化网络;
步骤4:对所建网络进行训练,并保存网络用来预测陀螺随机误差的趋势。
2.根据权利要求1所述的基于灰色小波神经网络的MEMS陀螺随机误差预测方法,其特征是所述对输出数据小波分析具体方法为:
(1)分裂:将输入信号序列xi分为互不相交的、长度相同的偶数序列ei-1和奇数序列oi-1两组,即
Split(xi)=(ei-1,oi-1)
其中,ei-1={ei-1,k=xi,2k},oi-1={oi-1,k=xi,2k+1},i为信号长度,k为整数;
(2)预测:通过偶数序列ei-1和预测算子p来预测奇数序列oi-1,预测误差di-1称为细节系数,对应于xi的高频部分,预测过程如下:
di-1=oi-1-p
其中,p为预测算子,函数p表示如下:
(3)更新:更新过程如下:
xi-1=ei-1+U
其中,xi-1称为近似系数,对应于xi的低频部分;更新算子U与预测算子p一样,取不同函数,
p与U取不同函数,够造出不同的小波变换,
对xi-1按上述步骤分解,依此类推,n次分解后原信号xi的小波表示为分{xi-n,di-n,di-n+1,…,di-1},其中xi-n代表信号的低频部分,{di-n,di-n+1,…,di-1}代表信号从低频到高频的高频部分序列。
4.根据权利要求1所述的基于灰色小波神经网络的MEMS陀螺随机误差预测方法,其特征是所述对去噪后的MEMS陀螺的输出数据进行分组具体为:
对去噪后的数据表示为[x1,x2,…,x5000],n个数据为一个样本,前n-1个数据[x1,x2,…,xn-1]T作为输入数据,第n个数据xn为目标值,选取m个输入向量和目标向量,输入向量为p=[p1,p2,…,pm],其中pi=[xi,xi+1,…,xi+n-2]T,i=1,2,…,m,目标向量为[xn,xn+1,…,xn+m]T,将陀螺的输出数据每10个数据为一组作为输入向量,后一个数据为目标向量;共形成500组输入向量,500个目标向量,即n=11,m=500。
5.根据权利要求1所述的基于灰色小波神经网络的MEMS陀螺随机误差预测方法,其特征是所述构建灰色小波网络预测模型的过程如下:
设时间数据序列为:
对x(0)做一次累加得到新的数据序列x(1),新的数据序列x(1)第i项为原始数据序列x(0)前i项之和,即
综上得:
x(1)=Qx(0)
其中:
将通过灰色理论运算法则处理得到的输入向量Qxi (0),i=1,2…,n-1,作为灰色小波神经网络的输入向量,目标向量Yj,j=1,2,…,m,作为网络的预测输出,网络的隐含层输出计算公式为:
式中,h(j)为隐含层第j个节点输出值;ωij为输入层和隐含层的连接权值;bj为小波基函数hj的平移因子;aj为小波基函数hj的伸缩因子;hj为小波基函数;i为输入向量个数;j为隐含层节点数;l为隐含层节点数,采用的小波基函数为Morlet母小波函数,数学公式为:
灰色小波神经网络输出层计算公式为:
式中,wjk为隐含层到输出层权值;h(j)为第j个隐含层节点的输出;l为隐含层节点数;m为输出层节点数。
6.根据权利要求1所述的基于灰色小波神经网络的MEMS陀螺随机误差预测方法,其特征是所述对所建网络进行训练,并保存网络用来预测陀螺随机误差的趋势具体包括:
应用灰色小波网络模拟函数:
xn=f(x1,x1+x2,…,x1+x2+…+xn-1)
式中,n为输入数据个数,
对构建的网络进行训练,将步骤2中分组后的输入向量p=[p1,p2,…,pm]利用灰色理论运算法则处理得到QP,QP作为网络的输入向量,目标向量[xn,xn+1,…,xn+m]T作为网络的预测输出,训练网络,其中n=11,m=500,当网络达到设定的目标值时或达到最大迭代次数时保存网络,输入数据,预测MEMS陀螺的随机误差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410121057.7A CN103900610B (zh) | 2014-03-28 | 2014-03-28 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410121057.7A CN103900610B (zh) | 2014-03-28 | 2014-03-28 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103900610A true CN103900610A (zh) | 2014-07-02 |
CN103900610B CN103900610B (zh) | 2016-06-29 |
Family
ID=50992079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410121057.7A Expired - Fee Related CN103900610B (zh) | 2014-03-28 | 2014-03-28 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103900610B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101344A (zh) * | 2014-07-11 | 2014-10-15 | 哈尔滨工程大学 | 基于粒子群小波网络的mems陀螺随机误差补偿方法 |
CN104820757A (zh) * | 2015-05-18 | 2015-08-05 | 中国电子科技集团公司第二十研究所 | 基于物理模型的mems陀螺温漂特性神经网络建模方法 |
CN105260615A (zh) * | 2015-10-29 | 2016-01-20 | 河南工业大学 | 一种粮食消费量预测方法 |
CN107330149A (zh) * | 2017-05-27 | 2017-11-07 | 哈尔滨工业大学 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
CN107608217A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于复合学习的mems陀螺仪模糊滑模控制方法 |
CN107607103A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪复合学习控制方法 |
CN107607102A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺滑模抖振抑制方法 |
CN107608216A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于平行估计模型的mems陀螺仪复合学习控制方法 |
CN107607101A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺滑模控制方法 |
CN107678282A (zh) * | 2017-11-05 | 2018-02-09 | 西北工业大学 | 考虑未知动力学和外部干扰的mems陀螺智能控制方法 |
CN107861384A (zh) * | 2017-11-05 | 2018-03-30 | 西北工业大学 | 基于复合学习的mems陀螺仪快速启动方法 |
CN107870566A (zh) * | 2017-11-05 | 2018-04-03 | 西北工业大学 | 基于平行估计复合学习的mems陀螺仪快速启动方法 |
CN108168577A (zh) * | 2017-12-22 | 2018-06-15 | 清华大学 | 基于bp神经网络的mems陀螺随机误差补偿方法 |
CN108332776A (zh) * | 2018-03-22 | 2018-07-27 | 湖北三江航天万峰科技发展有限公司 | Mems陀螺随机误差组合预测模型的构建方法 |
CN108897226A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 基于干扰观测器的mems陀螺仪预设性能非奇异滑模控制方法 |
CN108960406A (zh) * | 2018-04-09 | 2018-12-07 | 湖北三江航天万峰科技发展有限公司 | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 |
CN109000640A (zh) * | 2018-05-25 | 2018-12-14 | 东南大学 | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 |
CN109062048A (zh) * | 2018-08-20 | 2018-12-21 | 西北工业大学 | 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法 |
CN109344678A (zh) * | 2018-07-18 | 2019-02-15 | 兰州交通大学 | 基于小波阈值的mems陀螺去噪方法 |
CN109583100A (zh) * | 2018-12-04 | 2019-04-05 | 哈尔滨工业大学 | 一种基于ago-rvm的陀螺仪故障预测方法 |
CN110987012A (zh) * | 2019-12-13 | 2020-04-10 | 西安航天精密机电研究所 | 一种光纤陀螺用多通道测试方法 |
CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000356523A (ja) * | 1999-06-15 | 2000-12-26 | Japan Aviation Electronics Industry Ltd | 角速度センサ |
CN101586957A (zh) * | 2009-06-22 | 2009-11-25 | 浙江大学 | 一种基于光纤陀螺的快速寻北去噪处理方法 |
CN101871780A (zh) * | 2010-05-28 | 2010-10-27 | 哈尔滨工程大学 | 微惯性器件信号的虚拟野值降噪方法 |
CN101876546A (zh) * | 2009-11-27 | 2010-11-03 | 北京航空航天大学 | 基于小波阈值去噪和far模型的mems陀螺数据处理方法 |
CN102252669A (zh) * | 2011-04-19 | 2011-11-23 | 东南大学 | 一种基于提升小波重构层的前向线性预测去噪方法 |
CN102289715A (zh) * | 2011-06-08 | 2011-12-21 | 东南大学 | 基于前向线性预测的自适应小波神经网络去噪建模方法 |
CN103557856A (zh) * | 2013-10-25 | 2014-02-05 | 哈尔滨工程大学 | 一种光纤陀螺随机漂移实时滤波方法 |
-
2014
- 2014-03-28 CN CN201410121057.7A patent/CN103900610B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000356523A (ja) * | 1999-06-15 | 2000-12-26 | Japan Aviation Electronics Industry Ltd | 角速度センサ |
CN101586957A (zh) * | 2009-06-22 | 2009-11-25 | 浙江大学 | 一种基于光纤陀螺的快速寻北去噪处理方法 |
CN101876546A (zh) * | 2009-11-27 | 2010-11-03 | 北京航空航天大学 | 基于小波阈值去噪和far模型的mems陀螺数据处理方法 |
CN101871780A (zh) * | 2010-05-28 | 2010-10-27 | 哈尔滨工程大学 | 微惯性器件信号的虚拟野值降噪方法 |
CN102252669A (zh) * | 2011-04-19 | 2011-11-23 | 东南大学 | 一种基于提升小波重构层的前向线性预测去噪方法 |
CN102289715A (zh) * | 2011-06-08 | 2011-12-21 | 东南大学 | 基于前向线性预测的自适应小波神经网络去噪建模方法 |
CN103557856A (zh) * | 2013-10-25 | 2014-02-05 | 哈尔滨工程大学 | 一种光纤陀螺随机漂移实时滤波方法 |
Non-Patent Citations (1)
Title |
---|
汤霞清 等: "小波分析和灰色神经网络融合的光纤陀螺误差建模与补偿", 《中国激光》, vol. 39, no. 10, 31 October 2012 (2012-10-31) * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101344A (zh) * | 2014-07-11 | 2014-10-15 | 哈尔滨工程大学 | 基于粒子群小波网络的mems陀螺随机误差补偿方法 |
CN104820757B (zh) * | 2015-05-18 | 2018-02-06 | 中国电子科技集团公司第二十研究所 | 基于物理模型的mems陀螺温漂特性神经网络建模方法 |
CN104820757A (zh) * | 2015-05-18 | 2015-08-05 | 中国电子科技集团公司第二十研究所 | 基于物理模型的mems陀螺温漂特性神经网络建模方法 |
CN105260615A (zh) * | 2015-10-29 | 2016-01-20 | 河南工业大学 | 一种粮食消费量预测方法 |
CN105260615B (zh) * | 2015-10-29 | 2018-04-17 | 河南工业大学 | 一种粮食消费量预测方法 |
CN107330149A (zh) * | 2017-05-27 | 2017-11-07 | 哈尔滨工业大学 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
CN107870566A (zh) * | 2017-11-05 | 2018-04-03 | 西北工业大学 | 基于平行估计复合学习的mems陀螺仪快速启动方法 |
CN107608217A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于复合学习的mems陀螺仪模糊滑模控制方法 |
CN107607101A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺滑模控制方法 |
CN107607102A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺滑模抖振抑制方法 |
CN107678282A (zh) * | 2017-11-05 | 2018-02-09 | 西北工业大学 | 考虑未知动力学和外部干扰的mems陀螺智能控制方法 |
CN107861384A (zh) * | 2017-11-05 | 2018-03-30 | 西北工业大学 | 基于复合学习的mems陀螺仪快速启动方法 |
CN107607102B (zh) * | 2017-11-05 | 2019-08-09 | 西北工业大学 | 基于干扰观测器的mems陀螺滑模抖振抑制方法 |
CN107607103A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪复合学习控制方法 |
CN107608216A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于平行估计模型的mems陀螺仪复合学习控制方法 |
CN108168577A (zh) * | 2017-12-22 | 2018-06-15 | 清华大学 | 基于bp神经网络的mems陀螺随机误差补偿方法 |
CN108332776A (zh) * | 2018-03-22 | 2018-07-27 | 湖北三江航天万峰科技发展有限公司 | Mems陀螺随机误差组合预测模型的构建方法 |
CN108332776B (zh) * | 2018-03-22 | 2020-06-02 | 湖北三江航天万峰科技发展有限公司 | Mems陀螺随机误差组合预测模型的构建方法 |
CN108960406A (zh) * | 2018-04-09 | 2018-12-07 | 湖北三江航天万峰科技发展有限公司 | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 |
CN108960406B (zh) * | 2018-04-09 | 2021-06-04 | 湖北三江航天万峰科技发展有限公司 | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 |
CN109000640A (zh) * | 2018-05-25 | 2018-12-14 | 东南大学 | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 |
CN109000640B (zh) * | 2018-05-25 | 2021-09-28 | 东南大学 | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 |
CN109344678A (zh) * | 2018-07-18 | 2019-02-15 | 兰州交通大学 | 基于小波阈值的mems陀螺去噪方法 |
CN109344678B (zh) * | 2018-07-18 | 2020-09-04 | 兰州交通大学 | 基于小波阈值的mems陀螺去噪方法 |
CN108897226A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 基于干扰观测器的mems陀螺仪预设性能非奇异滑模控制方法 |
CN108897226B (zh) * | 2018-08-20 | 2019-07-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪预设性能非奇异滑模控制方法 |
CN109062048A (zh) * | 2018-08-20 | 2018-12-21 | 西北工业大学 | 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法 |
CN109583100A (zh) * | 2018-12-04 | 2019-04-05 | 哈尔滨工业大学 | 一种基于ago-rvm的陀螺仪故障预测方法 |
CN109583100B (zh) * | 2018-12-04 | 2022-05-24 | 哈尔滨工业大学 | 一种基于ago-rvm的陀螺仪故障预测方法 |
CN110987012A (zh) * | 2019-12-13 | 2020-04-10 | 西安航天精密机电研究所 | 一种光纤陀螺用多通道测试方法 |
CN110987012B (zh) * | 2019-12-13 | 2021-11-19 | 西安航天精密机电研究所 | 一种光纤陀螺用多通道测试方法 |
CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
CN111581832B (zh) * | 2020-05-12 | 2023-01-03 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103900610B (zh) | 2016-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103900610B (zh) | 基于灰色小波神经网络的mems陀螺随机误差预测方法 | |
Nayek et al. | A Gaussian process latent force model for joint input-state estimation in linear structural systems | |
CN104251712B (zh) | 基于小波多尺度分析的mems陀螺随机误差补偿方法 | |
Zhao et al. | A new approach to the prediction of passenger flow in a transit system | |
CN104101344A (zh) | 基于粒子群小波网络的mems陀螺随机误差补偿方法 | |
Grooms | Analog ensemble data assimilation and a method for constructing analogs with variational autoencoders | |
CN104048676A (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
Ong et al. | Semianalytic Expressions for the Isolation and Coupling of Mixed Modes | |
CN110807524A (zh) | 单通道信号盲源分离幅度校正方法 | |
Düşünceli | Solutions for the Drinfeld-Sokolov equation using an IBSEFM method | |
CN114218778A (zh) | 一种用于声爆试验数据的分析方法及装置 | |
CN109033025A (zh) | 基于状态空间模型的浮式结构时域响应分析方法 | |
Lu et al. | Fusion Algorithm‐Based Temperature Compensation Method for High‐G MEMS Accelerometer | |
Miller et al. | Rare events via cross-entropy population monte carlo | |
Yu et al. | A polynomial chaos based square-root Kalman filter for Mars entry navigation | |
Huang et al. | FPGA implementation of 4-channel ICA for on-line EEG signal separation | |
CN108764523A (zh) | 基于无偏非齐次灰色模型和马氏模型的交通事故预测方法 | |
Chen et al. | Double perturbations for impulsive differential equations in Banach spaces | |
Chau et al. | A structural reliability analysis method based on radial basis function | |
CN103605143A (zh) | 一种神经网络组合导航方法 | |
CN113342734B (zh) | 一种基于微波反射仪的等离子体密度分布实时计算装置 | |
Peng et al. | H 2-norm computation of linear time-varying periodic systems via the periodic Lyapunov differential equation | |
CN111950123B (zh) | 一种陀螺仪误差系数曲线拟合预测方法及系统 | |
Rodzewicz | Determination and extrapolation of the glider load spectra | |
CN102654403A (zh) | 一种基于小波熵的微机电陀螺信息融合系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 |