CN114046802A - 一种光纤陀螺分步温度补偿方法 - Google Patents
一种光纤陀螺分步温度补偿方法 Download PDFInfo
- Publication number
- CN114046802A CN114046802A CN202111144745.1A CN202111144745A CN114046802A CN 114046802 A CN114046802 A CN 114046802A CN 202111144745 A CN202111144745 A CN 202111144745A CN 114046802 A CN114046802 A CN 114046802A
- Authority
- CN
- China
- Prior art keywords
- temperature
- optic gyroscope
- fiber
- model
- data
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
- G01C19/58—Turn-sensitive devices without moving masses
- G01C19/64—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams
- G01C19/72—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams with counter-rotating light beams in a passive ring, e.g. fibre laser gyrometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种光纤陀螺分步温度补偿方法,步骤包括:1、在设定的温度范围内,对光纤陀螺进行温度试验,同时采集陀螺的输出角速度与温度值,构建测试温度曲线;2、建立基于多层感知机的神经网络模型:模型采用三层结构,包括输入层、隐藏层和输出层;步骤3、对建立的神经网络模型进行训练;步骤4、建立多项式模型,该模型采用6系数温度补偿模型;步骤5、利用步骤4的模型,获得光纤陀螺温度漂移补偿值,将光纤陀螺的实时输出数据减去光纤陀螺温度漂移补偿值,即完成光纤陀螺的温度补偿。本发明结合神经网络对非线性拟合精度高和多项式模型易于实现的特点,提高了光纤陀螺的温度环境适应性。
Description
技术领域
本发明属于光纤陀螺温度补充技术领域,具体涉及一种光纤陀螺分步温度补偿方法。
背景技术
光纤陀螺由于具有成本低,寿命长,体积小,动态范围大,精度应用覆盖面广,结构设计灵活,生产工艺简单等一系列优势,广泛应用于航空、航天、航海、兵器、工业和民用等领域,有着良好的发展前景和研究价值。
光纤陀螺在实际应用中,通常要求具有较宽的工作温度范围(-40℃~+60℃)。然而受限于其自身的特性,温度漂移引起的误差一直是光纤陀螺主要的误差源。因此针对光纤陀螺的温度补偿一直是研究的热点。
光纤陀螺的温度漂移是各元器件特性受温度影响的综合效果,其中光纤环圈受温度变化产生的热致非互易性相位延迟是导致温度漂移的主要原因,即Shupe效应的影响。
目前,光纤陀螺环圈的绕制方法采用多极对称绕法,极大地降低了上述误差。绕环技术逐渐趋于相对稳定的水平,光纤环的重复性和一致性较好,光纤环圈的的温度性能与温度之间的关系相对稳定。但通过对大量陀螺样本测试发现。在陀螺输出中仍包含残余温度漂移,引起残余漂移误差的主要原因有:
①光纤环圈绕制不理想引起的Shupe误差;
②光功率和电路增益对温度波动引起电路等效相位误差漂移;
③光学元件及光路系统温度敏感性导致温度漂移。
残余温度漂移误差的存在,使得光纤陀螺的温度漂移与温度之间存在复杂的非线性关系。尽管可以用公式进行部分描述,但在工程上无法很好的进行建模分析。基于此,对于光纤陀螺的温度补偿多采用系统辨识法,将光纤陀螺看作一个黑箱,利用其输入与输出的关系,建立辨识模型,得到温度漂移与温度的关系后进行相应的补偿。
温度漂移模型建立和补偿需要获得光纤陀螺在不同温度环境下的输出,通过分析数据量化漂移与温度的关系进行补偿,以达到抑制温度漂移的目的。目前常见的温度补偿模型主要有多项式模型和基于神经网络模型两种。基于多项式模型建模虽然工程上易于实现,但主要的问题是只适用于线性度较高的陀螺输出。基于神经网络模型的建模,对非线性拟合较好,但大部分的建模均是基于三层网络架构,并针对单一陀螺进行建模,因为陀螺对温度的反应具有重复性,因此容易造成数据量过少,从而导致神经网络的各种原生问题,因此训练效果不理想,泛化能力较差。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种结合神经网络对非线性拟合精度高和多项式模型对线性拟合精度高且易于实现的特点的光纤陀螺分步补偿的方法。
本发明的上述目的通过如下技术方案来实现:
一种光纤陀螺分步补偿的方法,其特征在于,先利用神经网络对非线性残余温度漂移误差进行修正,然后利用多项式模型对线性温度漂移进行补偿,包括如下步骤:
步骤1、在设定的温度范围内,对2500轴光纤陀螺进行温度试验,同时采集陀螺的原始输出数据D与温度T,构建测试温度曲线,并利用下式计算出温度差ΔT:
ΔTn=Tn-Tn-1,n=1,2,3...
其中,n为采集的陀螺的原始输出数据D的长度;
步骤2、建立基于多层感知机的神经网络模型:
模型采用三层结构,包括输入层、隐藏层和输出层。输入层包含三个输入单元,分别为陀螺原始输出数据D、温度T及温度差ΔT;隐藏层包含2层,每层包含10个节点,每个节点的激活函数选择整流线性单元方法;输出层为基于仿射变换的单元,输出的是经神经网络修正后的陀螺数据D1。神经网络训练中的损失函数选择交叉熵误差函数,梯度计算时选择误差反向传播算法。
步骤3、对建立的神经网络模型进行训练:
将步骤1中2500轴光纤陀螺的输出数据作为总体数据集,所有的数据先经过异常检测和归一化处理,然后将数据随机分为两部分:大部分数据用于训练,小部分数据用于测试,共进行几十次的迭代训练;训练后的模型的输出D1作为下一步骤的输入。
步骤4、建立多项式模型:
该模型采用6系数温度补偿模型,见下式:
Ω=Ω0+P0+P1·T+P2·T2+P3·T3+P4·ΔT+P5·ΔT2
其中,Ω为光纤陀螺温度漂移补偿值,Ω0为步骤3中训练后的模型的输出D1,T为步骤1中的采集的温度,ΔT为步骤1中计算出的温度差。
利用最小二乘法,计算6个温度系数P0~P5。
步骤5、进行温度补偿
利用步骤4的模型,获得光纤陀螺温度漂移补偿值Ω,将光纤陀螺的原始输出数据D减去光纤陀螺温度漂移补偿值Ω,即完成光纤陀螺的温度补偿。
进一步的:步骤1中,实验用光纤陀螺的常温零偏稳定性为0.01°/h,将光纤陀螺放置在带有隔振台的高低温试验箱中进行测试,陀螺敏感轴指天,测试的温度范围是-43℃-70℃;数据采样间隔1s,采样的数据长度为54000。
进一步的:步骤3中,80%的数据用于训练,20%的数据用于测试,共进行50次的迭代训练。
本发明具有的优点和积极效果:
本发明利用神经网络对非线性拟合精度高和多项式模型易于实现的特点,提供一种光纤陀螺分步补偿的方法,通过将两种方法各自的特点相结合,利用神经网络非线性拟合精度高的特点对光纤陀螺与温度及温度差的非线性关系进行拟合修正,随后将修正后的数据利用多项式模型进行线性拟合后补偿,能有效提升光纤陀螺的零偏稳定性,提高了光纤陀螺的温度环境适应性。在工程应用中,为光纤陀螺环圈成品率的提升提供一种方法。
附图说明
图1是本发明方法的流程图;
图2是本发明测试温度曲线图;
图3是本发明存在非线性残余温度漂移误差的光纤陀螺输出曲线;
图4是本发明光纤陀螺输出与温度成线性关系的曲线;
图5是本发明基于多层感知机的神经网络架构;
图6是本发明基于MLP的神经网络模型的训练流程图;
图7是本发明数据集补偿前的零偏稳定性分布图;
图8是本发明数据集补偿后的零偏稳定性分布图。
具体实施方式
以下结合附图并通过实施例对本发明的结构作进一步说明。需要说明的是本实施例是叙述性的,而不是限定性的。
一种光纤陀螺分步补偿的方法,请参见图1-8,其发明点为,包括如下步骤:
步骤1、光纤陀螺温度实验
实验用光纤陀螺的常温零偏稳定性为0.01°/h,将光纤陀螺放置在带有隔振台的高低温试验箱中进行测试,陀螺敏感轴指天,测试的温度范围是-43℃-70℃,详细的温度曲线如图2所示。数据采样间隔1s,同时采集陀螺输出角速度与温度值,采样的数据长度为54000。存在非线性残余温度漂移误差的光纤陀螺输出曲线如图3所示。光纤陀螺输出与温度成线性关系的曲线如图4所示。
步骤2、建立基于多层感知机的神经网络模型
多层感知机(multilayer perceptron,MLP),也叫作前馈神经网络,是典型的深度学习模型。其目标是近似某个函数f*。该模型定义了一个映射y=f(x;θ),并且学习参数θ的值,使其能得到最佳的函数近似。通常的MLP具有输入层,隐藏层、输出层三层结构,如图5所示。
在该神经网络架构中,输入层包含n个单元,隐藏层含有n层,每层含有m个神经网络单元,输出层包含p个单元。各层之间通过链式连接,其中每一层都是前一层的函数。在这种结构中,第一层由下式给出:
h(1)=g(1)(W(1)Tx+b(1)) (1)
其中,括号中的数字代表层数,h是该层的输出,W是线性变换的权重矩阵,b是偏置,g表示激活函数。
第二层由
h(2)=g(2)(W(2)Th(1)+b(2)) (2)
给出,以此类推,
输出层由下式给出:
y=g(n)(W(n)Th(n-1)+b(n)) (3)
其中,y表示输出层的输出。
在本方案中,模型采用三层结构,包括输入层、隐藏层和输出层。输入层包含三个输入单元,分别为陀螺原始输出数据D、温度T及温度差ΔT;隐藏层包含2层,每层包含10个节点,每个节点的激活函数选择整流线性单元方法;输出层为基于仿射变换的单元,输出的是经神经网络修正后的陀螺数据D1。神经网络训练中的损失函数选择交叉熵误差函数,梯度计算时选择误差反向传播算法。
步骤3、对建立的神经网络模型进行训练
选取2500轴光纤陀螺的输出作为总体数据集。所有的数据经过异常检测和归一化处理。将数据随机的分为两部分:80%的数据用于训练,20%的数据用于测试。共进行50次的迭代训练。对该模型的训练的流程如图6所示。训练后的模型的输出作为下一步骤的输入。
步骤4、建立多项式模型
利用公式(4)建立6系数温度补偿模型:
Ω=Ω0+P0+P1·T+P2·T2+P3·T3+P4·ΔT+P5·ΔT2 (4)
其中,Ω为光纤陀螺温度漂移补偿值,Ω0为步骤3中训练后的模型的输出D1,T为步骤1中的采集的温度,ΔT为步骤1中计算出的温度差。
利用最小二乘法,计算6个温度系数P0~P5。
步骤5、进行温度补偿
利用步骤(4)的模型,获得光纤陀螺温度漂移补偿值。将光纤陀螺的实时输出数据减去光纤陀螺温度漂移补偿值,即完成光纤陀螺仪的温度补偿。
后序可通过数据回溯进行验证,具体的:
运用前述步骤的补偿模型对整个数据集进行回溯,对2500轴陀螺仪补偿前后的零偏稳定性进行统计。补偿前的零偏稳定性均值如图7所示。补偿前数据集的零偏稳定性均值为0.035°/h,补偿后的零偏稳定性均值如图8所示,补偿后的零偏稳定性均值为0.007°/h。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神范围内,各种替换、变化和修改都是可以的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (3)
1.一种光纤陀螺分步补偿的方法,其特征在于,先利用神经网络对非线性残余温度漂移误差进行修正,然后利用多项式模型对线性温度漂移进行补偿,包括如下步骤:
步骤1、在设定的温度范围内,对2500轴光纤陀螺进行温度试验,同时采集陀螺的原始输出数据D与温度T,构建测试温度曲线,并利用下式计算出温度差ΔT:
ΔTn=Tn-Tn-1,n=1,2,3...
其中,n为采集的陀螺的原始输出数据D的长度;
步骤2、建立基于多层感知机的神经网络模型:
模型采用三层结构,包括输入层、隐藏层和输出层;输入层包含三个输入单元,分别为陀螺原始输出数据D、温度T及温度差ΔT;隐藏层包含2层,每层包含10个节点,每个节点的激活函数选择整流线性单元方法;输出层为基于仿射变换的单元,输出的是经神经网络修正后的陀螺数据D1;神经网络训练中的损失函数选择交叉熵误差函数,梯度计算时选择误差反向传播算法;
步骤3、对建立的神经网络模型进行训练:
选取步骤1中2500轴光纤陀螺的输出作为总体数据集,所有的数据先经过异常检测和归一化处理,然后将数据随机分为两部分:大部分数据用于训练,小部分数据用于测试,共进行几十次的迭代训练;训练后的模型的输出D1作为下一步骤的输入;
步骤4、建立多项式模型:
该模型采用6系数温度补偿模型,见下式:
Ω=Ω0+P0+P1·T+P2·T2+P3·T3+P4·ΔT+P5·ΔT2
其中,Ω为光纤陀螺温度漂移补偿值,Ω0为步骤3中训练后的模型的输出D1,T为步骤1中的采集的温度,ΔT为步骤1中计算出的温度差;
利用最小二乘法,计算6个温度系数P0~P5;
步骤5、进行温度补偿
利用步骤4的模型,获得光纤陀螺温度漂移补偿值Ω,将光纤陀螺的原始输出数据D减去光纤陀螺温度漂移补偿值Ω,即完成光纤陀螺的温度补偿。
2.根据权利要求1所述的光纤陀螺分步补偿的方法,其特征在于:步骤1中,实验用光纤陀螺的常温零偏稳定性为0.01°/h,将光纤陀螺放置在带有隔振台的高低温试验箱中进行测试,陀螺敏感轴指天,测试的温度范围是-43℃-70℃;数据采样间隔1s,采样的数据长度为54000。
3.根据权利要求1所述的光纤陀螺分步补偿的方法,其特征在于:步骤3中,80%的数据用于训练,20%的数据用于测试,共进行50次的迭代训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144745.1A CN114046802B (zh) | 2021-09-28 | 2021-09-28 | 一种光纤陀螺分步温度补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144745.1A CN114046802B (zh) | 2021-09-28 | 2021-09-28 | 一种光纤陀螺分步温度补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114046802A true CN114046802A (zh) | 2022-02-15 |
CN114046802B CN114046802B (zh) | 2023-05-02 |
Family
ID=80204983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111144745.1A Active CN114046802B (zh) | 2021-09-28 | 2021-09-28 | 一种光纤陀螺分步温度补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114046802B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371659A (zh) * | 2022-10-14 | 2022-11-22 | 武汉优米捷光电子制造有限责任公司 | 一种带前向校正的光纤陀螺全温零偏补偿方法 |
CN115855016A (zh) * | 2023-02-27 | 2023-03-28 | 南开大学 | 一种光纤陀螺仪低温冲击误差补偿方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2125370A1 (en) * | 1993-06-14 | 1994-12-15 | Shay-Ping Thomas Wang | System for continuous logic computation and method of using same |
CN102650527A (zh) * | 2012-05-25 | 2012-08-29 | 北京航空航天大学 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
CN102914623A (zh) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | 一种湿度传感器温度补偿的融合方法 |
CN103499345A (zh) * | 2013-10-15 | 2014-01-08 | 北京航空航天大学 | 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法 |
CN104573248A (zh) * | 2015-01-16 | 2015-04-29 | 东南大学 | 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法 |
CN105824994A (zh) * | 2016-03-11 | 2016-08-03 | 北京航空航天大学 | 一种基于划分区域的组合近似模型构建方法 |
CN107870000A (zh) * | 2017-11-06 | 2018-04-03 | 中国人民解放军63686部队 | 基于多项式拟合技术的提高光纤陀螺零偏稳定性方法 |
CN110954136A (zh) * | 2019-12-13 | 2020-04-03 | 陕西瑞特测控技术有限公司 | 一种光纤陀螺温度补偿的方法 |
CN111859795A (zh) * | 2020-07-14 | 2020-10-30 | 东南大学 | 针对功率放大器的多项式辅助神经网络行为建模系统及方法 |
CN113432592A (zh) * | 2021-06-23 | 2021-09-24 | 中国船舶重工集团公司第七0七研究所 | 一种光纤环圈绕环机绕制缺陷自动识别与纠错系统 |
-
2021
- 2021-09-28 CN CN202111144745.1A patent/CN114046802B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2125370A1 (en) * | 1993-06-14 | 1994-12-15 | Shay-Ping Thomas Wang | System for continuous logic computation and method of using same |
CN102650527A (zh) * | 2012-05-25 | 2012-08-29 | 北京航空航天大学 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
CN102914623A (zh) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | 一种湿度传感器温度补偿的融合方法 |
CN103499345A (zh) * | 2013-10-15 | 2014-01-08 | 北京航空航天大学 | 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法 |
CN104573248A (zh) * | 2015-01-16 | 2015-04-29 | 东南大学 | 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法 |
CN105824994A (zh) * | 2016-03-11 | 2016-08-03 | 北京航空航天大学 | 一种基于划分区域的组合近似模型构建方法 |
CN107870000A (zh) * | 2017-11-06 | 2018-04-03 | 中国人民解放军63686部队 | 基于多项式拟合技术的提高光纤陀螺零偏稳定性方法 |
CN110954136A (zh) * | 2019-12-13 | 2020-04-03 | 陕西瑞特测控技术有限公司 | 一种光纤陀螺温度补偿的方法 |
CN111859795A (zh) * | 2020-07-14 | 2020-10-30 | 东南大学 | 针对功率放大器的多项式辅助神经网络行为建模系统及方法 |
CN113432592A (zh) * | 2021-06-23 | 2021-09-24 | 中国船舶重工集团公司第七0七研究所 | 一种光纤环圈绕环机绕制缺陷自动识别与纠错系统 |
Non-Patent Citations (6)
Title |
---|
周海波;刘建业;熊智;赖际舟;: "基于BP神经网络的光纤陀螺仪温度建模研究" * |
张桂才;马骏;马林;陈馨;林毅;: "宽带光源光谱不对称性对光纤陀螺性能的影响" * |
毋建宏;张洪才;: "基于自适应神经网络的激光陀螺温度补偿研究" * |
汪红兵;王新宇;阳洪;卜继军;: "基于光纤陀螺温度漂移误差补偿方法研究" * |
郭士荦;许江宁;李峰;何泓洋;: "优化BP神经网络的光纤陀螺温度漂移建模与补偿" * |
韩连洋;高博;杨柳;: "车载陆基导弹惯导系统温度补偿技术方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371659A (zh) * | 2022-10-14 | 2022-11-22 | 武汉优米捷光电子制造有限责任公司 | 一种带前向校正的光纤陀螺全温零偏补偿方法 |
CN115371659B (zh) * | 2022-10-14 | 2023-02-24 | 武汉优米捷光电子制造有限责任公司 | 一种带前向校正的光纤陀螺全温零偏补偿方法 |
CN115855016A (zh) * | 2023-02-27 | 2023-03-28 | 南开大学 | 一种光纤陀螺仪低温冲击误差补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114046802B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114046802B (zh) | 一种光纤陀螺分步温度补偿方法 | |
CN108120451A (zh) | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 | |
CN103499345B (zh) | 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法 | |
CN112880705B (zh) | 基于径向基神经网络的mems陀螺仪温度补偿方法 | |
CN103593538A (zh) | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 | |
CN109211219B (zh) | 一种光纤陀螺仪温度补偿方法 | |
CN111896029A (zh) | 一种基于组合算法的mems陀螺随机误差补偿方法 | |
CN106341132B (zh) | 时间交织采样adc的误差盲校正方法 | |
CN112380774B (zh) | 一种基于残差回声状态网络的动态建模方法及系统 | |
Xu et al. | A novel calibration method using six positions for MEMS triaxial accelerometer | |
Zha et al. | IUKF neural network modeling for FOG temperature drift | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
CN115371659A (zh) | 一种带前向校正的光纤陀螺全温零偏补偿方法 | |
CN113063964B (zh) | 一种温度补偿型石英挠性加速度计伺服电路及石英挠性加速度计 | |
CN113865619A (zh) | 一种改善高精度光纤陀螺全温零偏稳定性的方法 | |
CN112067844B (zh) | Mems传感器阵列式高精度输出控制方法 | |
Xu et al. | Modeling and correction for the optical axis pointing error of an airborne electro-optical platform | |
CN106897480B (zh) | 一种抑制光纤陀螺标度因数模型迟滞效应的建模方法 | |
CN108919646B (zh) | 一种基于支持向量机的快速偏转镜视轴抖振抑制方法 | |
CN114147713B (zh) | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 | |
CN116007761A (zh) | 一种基于环境温度的红外测温智能补偿方法 | |
CN110440779B (zh) | 一种高动态mems谐振式陀螺仪力平衡控制方法 | |
Zhang et al. | Compensation of Temperature Drift of Micro Gyroscope by Polynomial Fitting Algorithm | |
Xiao et al. | A fast convergence super‐twisting observer design for an autonomous airship | |
Wang et al. | Compensation of Temperature Drift of Micro Gyroscope by BP neural network algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |