CN105844037A - 一种三捷联惯组量化动态阈值生成方法 - Google Patents
一种三捷联惯组量化动态阈值生成方法 Download PDFInfo
- Publication number
- CN105844037A CN105844037A CN201610192266.XA CN201610192266A CN105844037A CN 105844037 A CN105844037 A CN 105844037A CN 201610192266 A CN201610192266 A CN 201610192266A CN 105844037 A CN105844037 A CN 105844037A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- new samples
- value
- sample
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
一种三捷联惯组量化动态阈值生成方法。本发明利用数据窗口的设计思想,通过蒙特卡洛打靶方法生成的带有误差模型的弹道数据;之后以步长1依次递推,依次求N个样本数据的平均数据值作为新样本数据的第M个样本数据的数据值,生成新样本数据;然后计算获得每个新样本数据的出现概率,最后阈值置信区间估计。本发明当器件以脉冲的形式输出的时候,能够有效生成阈值,通过窗口的叠加,可以对数据进行平滑处理,提高生产精度,且算法简单、高效。
Description
技术领域
本发明属于大型运载器高可靠飞行导航制导与控制领域,涉及一种三捷联惯组量化动态阈值生成方法。
背景技术
未来大型运载火箭对可靠性、安全性提出了更高的要求。控制系统作为运载火箭的神经中枢,对整个运载火箭的性能具有举足轻重的作用。捷联惯组是制导控制的重要组成部分,对其进行冗余设计可以大大提高可靠性。
对于三捷联惯组冗余系统来说,阈值的设计是冗余系统设计的重要部分,动态、合理的阈值设计方法能够尽可能保证易用性的同时,提高可靠性。当前,传统的动态阈生产方法只适用于非量化动态阈值生成,不能有效地适应量化动态阈值生成,且算法执行效率低、置信度低。
发明内容
本发明所要解决的技术问题是:克服现有技术的不足,提供一种三捷联惯组量化动态阈值生成方法,采用数据窗口的选取方法,解决了适应量化动态阈值生成问题。
本发明包括如下技术方案:一种三捷联惯组量化动态阈值生成方法,步骤如下:
1)分位数定义
设随机变量X的分布函数为F(X),实数α满足0<α<1;
则双侧α分位数分别为使P{X<λ1}=F(λ1)=0.5α的数λ1,以及使P{X<λ2}=1-F(λ2)=0.5α的数λ2;
2)生成弹道数据
将通过蒙特卡洛打靶方法生成的带有三捷联惯组误差模型的弹道数据作为样本数据;选择样本数据窗长度N,以第一个样本数据为起点,求取该窗口内N个样本数据的平均数据值作为新样本数据的第一个样本数据的数据值;向后步进1,以第二个样本数据为起点,求取该窗口内N个样本数据的平均数据值作为新样本数据的第二个样本数据的数据值;以此类推,以步长1依次递推,依次求N个样本数据的平均数据值作为新样本数据的第M个样本数据的数据值,生成新样本数据;N为正整数;
3)计算获得每个新样本数据的出现概率
对步骤2)得到的新样本数据按照数值大小进行升序排序,将相同的数值进行合并,计算每一个数据在原样本数据中出现的次数占整体数据的比例,得到每个新样本数据的出现概率;
4)阈值置信区间估计
设当前的置信度为1-α;根据步骤3)获得的每个新样本数据的出现概率,代入P{X<λ1}=F(λ1)=0.5α以及P{X<λ2}=1-F(λ2)=0.5α,求得λ1和λ2,即确定出阈值置信区间(λ1,λ2),其中α的值为每个新样本数据的出现概率。
本发明与现有技术相比具有如下优点:
(1)利用分位数思想,当器件以脉冲的形式输出的时候,在不服从正态分布的情况下,也能够有效生成阈值;
(2)数据窗口的叠加算法简单、高效。
(3)通过采用滚动数据窗口的设计思想,利用窗口的叠加,可以对数据进行平滑处理,提高生产精度。
附图说明
图1为连续N个数据的窗口选取方法示意图。
具体实施方式
下面就结合附图对本发明做进一步介绍。
下面将结合附图对本发明进一步详细说明。主要包括:
1.分位数定义:
分位数有三种不同的称呼,即α分位数、上侧α分位数与双侧α分位数,定义如下:
设随机变量X的分布函数为F(X),实数α满足0<α<1,
α分位数是使P{X<Pα}=F(Pα)=α的数Pα;
上侧α分位数是使P{X<λ}=1-F(λ)=α的数λ;
双侧α分位数分别是使P{X<λ1}=F(λ1)=0.5α的数λ1,以及使P{X<λ2}=1-F(λ2)=0.5α的数λ2。
2.生成弹道数据:
将通过蒙特卡洛打靶方法生成的带有三捷联惯组误差模型的弹道数据作为样本数据;选择样本数据窗长度N,以第一个样本数据为起点,求取该窗口内N个样本数据的平均数据值作为新样本数据的第一个样本数据的数据值;向后步进1,以第二个样本数据为起点,求取该窗口内N个样本数据的平均数据值作为新样本数据的第二个样本数据的数据值;以此类推,以步长1依次递推,依次求N个样本数据的平均数据值作为新样本数据的第M个样本数据的数据值,生成新样本数据;N为正整数;连续N(1000)个数据的选取方法如图1所示。
3.计算获得每个新样本数据的出现概率
对步骤2)得到的新样本数据按照数值大小进行升序排序,将相同的数值进行合并,计算每一个数据在原样本数据中出现的次数占整体数据的比例,得到每个新样本数据的出现概率。
4.阈值置信区间估计
设当前的置信度为1-α;根据步骤3)获得的每个新样本数据的出现概率,代入P{X<λ1}=F(λ1)=0.5α以及P{X<λ2}=1-F(λ2)=0.5α,求得λ1和λ2,即确定出阈值置信区间(λ1,λ2),其中α的值为每个新样本数据的出现概率。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (1)
1.一种三捷联惯组量化动态阈值生成方法,其特征在于步骤如下:
1)分位数定义
设随机变量X的分布函数为F(X),实数α满足0<α<1;
则双侧α分位数分别为使P{X<λ1}=F(λ1)=0.5α的数λ1,以及使P{X<λ2}=1-F(λ2)=0.5α的数λ2;
2)生成弹道数据
将通过蒙特卡洛打靶方法生成的带有三捷联惯组误差模型的弹道数据作为样本数据;选择样本数据窗长度N,以第一个样本数据为起点,求取该窗口内N个样本数据的平均数据值作为新样本数据的第一个样本数据的数据值;向后步进1,以第二个样本数据为起点,求取该窗口内N个样本数据的平均数据值作为新样本数据的第二个样本数据的数据值;以此类推,以步长1依次递推,依次求N个样本数据的平均数据值作为新样本数据的第M个样本数据的数据值,生成新样本数据;N为正整数;
3)计算获得每个新样本数据的出现概率
对步骤2)得到的新样本数据按照数值大小进行升序排序,将相同的数值进行合并,计算每一个数据在原样本数据中出现的次数占整体数据的比例,得到每个新样本数据的出现概率;
4)阈值置信区间估计
设当前的置信度为1-α;根据步骤3)获得的每个新样本数据的出现概率,代入P{X<λ1}=F(λ1)=0.5α以及P{X<λ2}=1-F(λ2)=0.5α,求得λ1和λ2,即确定出阈值置信区间(λ1,λ2),其中α的值为每个新样本数据的出现概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610192266.XA CN105844037A (zh) | 2016-03-30 | 2016-03-30 | 一种三捷联惯组量化动态阈值生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610192266.XA CN105844037A (zh) | 2016-03-30 | 2016-03-30 | 一种三捷联惯组量化动态阈值生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105844037A true CN105844037A (zh) | 2016-08-10 |
Family
ID=56584059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610192266.XA Pending CN105844037A (zh) | 2016-03-30 | 2016-03-30 | 一种三捷联惯组量化动态阈值生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844037A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015017939A (ja) * | 2013-07-12 | 2015-01-29 | 株式会社Ihi | 模擬データ生成方法および模擬データ生成装置 |
CN105371844A (zh) * | 2015-12-02 | 2016-03-02 | 南京航空航天大学 | 一种基于惯性/天文互助的惯性导航系统初始化方法 |
-
2016
- 2016-03-30 CN CN201610192266.XA patent/CN105844037A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015017939A (ja) * | 2013-07-12 | 2015-01-29 | 株式会社Ihi | 模擬データ生成方法および模擬データ生成装置 |
CN105371844A (zh) * | 2015-12-02 | 2016-03-02 | 南京航空航天大学 | 一种基于惯性/天文互助的惯性导航系统初始化方法 |
Non-Patent Citations (1)
Title |
---|
网易南等: "三捷联惯组冗余系统故障检测阈值设计方法", 《固体火箭技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN106991047B (zh) | 一种用于对面向对象软件缺陷进行预测的方法及系统 | |
WO2017024691A1 (zh) | 一种模拟电路故障模式分类方法 | |
CN110309136B (zh) | 一种数据库异常事件缺失数据填充方法及系统 | |
CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN102832617A (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN112069727A (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN108388745B (zh) | 基于分布并行局部优化参数的最小二乘支持向量机软测量方法 | |
CN115525038A (zh) | 一种基于联邦分层优化学习的设备故障诊断方法 | |
CN106056305B (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
CN103310122A (zh) | 一种并行随机采样一致方法及其装置 | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN105260304B (zh) | 一种基于qbgsa‑rvr的软件可靠性预测方法 | |
CN103411628A (zh) | 一种mems陀螺仪随机漂移误差的处理方法 | |
CN104834816A (zh) | 一种短期风速预测方法 | |
CN105844037A (zh) | 一种三捷联惯组量化动态阈值生成方法 | |
Liu et al. | Reliability analysis of a random fuzzy repairable parallel system with two non-identical components | |
CN103197564A (zh) | 数字化人机界面监视单元数量优化方法及系统 | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN115146466A (zh) | 一种基于多点加点准则的多失效模式下系统失效概率计算方法 | |
Lan et al. | Efficient converted spiking neural network for 3d and 2d classification | |
CN110083864A (zh) | 一种基于经验模态分解的短期风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160810 |