CN114964313A - 一种基于rvm的光纤陀螺温度补偿方法 - Google Patents
一种基于rvm的光纤陀螺温度补偿方法 Download PDFInfo
- Publication number
- CN114964313A CN114964313A CN202210545266.9A CN202210545266A CN114964313A CN 114964313 A CN114964313 A CN 114964313A CN 202210545266 A CN202210545266 A CN 202210545266A CN 114964313 A CN114964313 A CN 114964313A
- Authority
- CN
- China
- Prior art keywords
- temperature
- rvm
- model
- alpha
- optic gyroscope
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
本发明提供一种基于RVM的光纤陀螺温度补偿方法,包括:获取光纤陀螺输出的原始数据和温度训练样本;以经过预处理的温度训练样本作为输入集x,陀螺训练样本作为目标集组成数据训练集;初始化超参数α和噪声方差σ2,利用核函数将标准化数据映射到特征空间;计算后验分布的均值向量μ和方差Σ;更新计算超参数α和噪声方差σ2,估计RVM模型的模型权值ω,从而得到稀疏化的模型;根据已建立好的温度补偿模型,对训练集中的目标集进行估计,得到估计的光纤陀螺温度误差,从陀螺输出原始数据中剔除该部分误差,从而完成温度误差补偿。该方法具有良好的逼近复杂非线性函数的能力,解决传统的温度补偿方法存在收敛速度慢、易陷入局部极小以及泛化能力差的问题。
Description
技术领域
本发明涉及光纤传感系统技术领域,特别涉及一种基于RVM的光纤陀螺温度补偿方法。
背景技术
光纤陀螺是一种基于Sagnac效应角运动测量仪表,因其全固化、使用寿命长、启动时间短和测量动态范围大等特点,已经成为新一代惯性制导测量系统中的主导器件。由于构成光纤陀螺的核心部件对温度都较为敏感,光纤陀螺自身发热和环境温度变化已成为光纤陀螺迈向工程化所面临的难题之一。
现在工程上采用的温控技术虽然保证了光纤陀螺工作环境温度的稳定,但其需在陀螺内增加温控设施,并对设施的温度控制性能提出了较高的要求,这样必定会增加光纤陀螺的体积、质量和成本,同时温控精度也受到制约。此外,通过软件补偿温度误差的方法是一种纯数学的方法,对光纤陀螺的温度特性进行准确描述以提高陀螺检测精度,是光纤陀螺走向实用化的必要环节。目前,关于陀螺温度补偿方法还没有一种被共同接受的理论框架,但其实现方法大致可分为三种:经典的参数统计估计方法(基于多项式的温度补偿算法),经验非线性方法(如人工神经网络方法等),统计学习理论(如SVM等)。其中,SVM这类新型机器学习方法针对小样本统计问题建立了一套新的理论体系,追求在有限信息的条件下得到最优结果,具有良好的泛化性能、分类和回归的精确性,使之表现出很多优于已有方法的性能。
RVM是由SVM基础上建立的稀疏概率学习模型。它的训练是基于贝叶斯估计理论,能在概率意义下的进行合理划分,使得分类函数针对于训练集似然函数值最大。相关向量机具有SVM的特点,摆脱了核函数受Mercer条件的限制,而且RVM回归参数的调节比SVM更少,性能比SVM更优,其具有更高的精度和更强的泛化能力,从而更精确地描述光纤陀螺的温度特性,进一步提高光纤陀螺的测量精度。
发明内容
为了解决背景技术提出的技术问题,本发明提供一种基于RVM的光纤陀螺温度补偿方法,该方法具有良好的逼近复杂非线性函数的能力,旨在解决传统的温度补偿方法存在收敛速度慢、易陷入局部极小以及泛化能力差的问题。
为了达到上述目的,本发明采用以下技术方案实现:
一种基于RVM的光纤陀螺温度补偿方法,包括以下步骤:
步骤一,通过光纤陀螺温度测试平台,获取光纤陀螺输出的原始数据和温度训练样本;
步骤二,对获取的陀螺和温度数据训练样本进行预处理,包括:对光纤陀螺和测温模块的直接输出训练样本进行标定参数装订,得到具有标准量纲的数据,标定后的陀螺和温度输出单位分别为°/h和℃;排除陀螺训练样本中包含噪声的影响,在陀螺训练样本上进行平滑处理(100s平滑),使样本更好的反映漂移特性;
步骤四,初始化超参数α和噪声方差σ2,利用核函数将标准化数据映射到特征空间;
步骤五,计算后验分布的均值向量μ和方差Σ;
步骤六,更新计算超参数α和噪声方差σ2,剔除α中无穷大的元素,对应ωi为0,ωi为模型权值ω的第i个元素,得到非零ωi对应的向量即为相关向量;
步骤八,根据已建立好的温度补偿模型,对训练集中的目标集T进行估计,然后将计算结果按照变量标准化模型进行反向操作,得到估计的光纤陀螺温度误差,最后从陀螺输出原始数据中剔除该部分误差,从而完成温度误差补偿。
进一步地,所述的步骤一中:在光纤陀螺温度测试平台下,光纤陀螺将采集陀螺信号和温度传感模块输出信号通过串口实时向外发送,通过数据采集软件记录光纤电流陀螺的电流和温度样本数据,在高低温箱中拟变温环境,高温点、低温点和变温速率大小可根据实际应用环境设定。
进一步地,所述的步骤二中:在标定参数装订过程中,测温模块的标定参数是在变温测试箱中固定温度点下进行拟合确定的,保证测温模块测量温度的准确定。
进一步地,所述的步骤四中:设输入样本为n维向量,某区域m个样本及其值表示为(x1,y1),...,(xm,ym)∈Rn×Rm,则回归函数可表示为:
式中,x=[x1,x2,...,xm]为输出入样本,ω=[ω1,ω2,...,ωm]T为模型权值,ω0为阈值,Kkemel(xi,x)为核函数,与SVM不同的是,RVM方法对基函数无此限制,所以选用以每个训练样本为中心的高斯函数作为核函数。
进一步地,所述的步骤五中:在贝叶斯框架下用最大似然方法来训练模型权值ω,这样可以回避过学习问题,提高模型的泛化能力;因此RVM为每个权值定义了先验概率分布
式中,αj和ωj分别表示α和ω的第j个元素,αj是决定模型权值ωj先验分布的超参数;
式中,T=[T1,T2,...,Tn]T,φ为n×m阶矩阵,φij=Kkemel(xi,xj),i=1,2,...,n,j=1,2,...,m,K为超参数的个数;
在先验分布和似然分布的基础上,权值的后验分布可由Bayesian推理求得,得到其后验分布为
其中后验分布的均值和方差分别为
式中,A=diag(α1,α2,...,αk)。
进一步地,所述的步骤六中:引入狄拉克函数来做近似运算,RVM的学习问题就可以转化为超参数后验分布(T|α,σ2)关于α和σ2的最大值问题,在一致超先验分布的情况下,只需最大化(T|α,σ2),可以表示为
式中,I为单位矩阵;
在贝叶斯模型中(T|α,σ2)被称为边缘似然函数,通过最大化边缘函数来估计α和σ2的方法称为第Π类型最大似然参数估计法;
根据MacKay方法整理,可得
式中,μi是均值向量μ的第i个元素,MacKay方法中定义γi=1-αiNii,其中Nii为方差∑的对角线上的第i个元素;
相关向量机的学习过程就是不断迭代更新和并随之更新统计量的μ和Σ,直到满足设定的收敛条件;在实际计算过程中,许多权值的后验分布趋于零,在相关向量机的回归模型中,非零的权值代表数据中的原型样本,这些称为“相关向量”。
进一步地,所述的步骤七中,通过训练样本的学习,RVM模型可以从中学习出超参数α、噪声方差σ2和均值向量μ;模型权值ω的估计值由后验分布的均值给出,同时它也是ω的最大后验(MAP)估计;权值的MAP估计取决于超参数α和噪声方差σ2,它们的最优值αMP和可以通过最大化边缘似然分布得到;当对于一组新的输入x*,其相应输出T*的后验分布概率可以通过如下关系式
得到,可对上式化简
式中,F=[φ1(x*),φ2(x*),...,φk(x*)]T,φi(x*)=Kkemel(x,x*),i=1,2,...,K,测试样本x*对应预测值T*的均值即为y*(x*,μ),可以通过其来预测T*的真值。
与现有技术相比,本发明的有益效果是:
本发明提供的基于RVM的光纤陀螺温度补偿方法,其具有更高的精度和更强的泛化能力,收敛速度快等优点,可有效减小环境温度对光纤陀螺测量数据稳定性造成的影响,且补偿精度优于现有的补偿方法。
附图说明
图1是本发明实施例提供的基于RVM的光纤陀螺温度补偿方法流程图;
图2是本发明实施例提供的基于RVM的光纤陀螺温度补偿方法示意图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
如图1-2所示,本发明的一种基于RVM的光纤陀螺温度补偿方法,包括以下步骤:
步骤一,通过光纤陀螺温度测试平台,获取光纤陀螺输出的原始数据和温度训练样本;
步骤二,对获取的陀螺和温度数据训练样本进行预处理,包括:对光纤陀螺和测温模块的直接输出训练样本进行标定参数装订,得到具有标准量纲的数据,标定后的陀螺和温度输出单位分别为°/h和℃;排除陀螺训练样本中包含噪声的影响,在陀螺训练样本上进行平滑处理(100s平滑),使样本更好的反映漂移特性;
步骤四,初始化超参数α和噪声方差σ2,利用核函数将标准化数据映射到特征空间;
步骤五,计算后验分布的均值向量μ和方差Σ;
步骤六,更新计算超参数α和噪声方差σ2,剔除α中无穷大的元素,对应ωi为0,ωi为模型权值ω的第i个元素,得到非零ωi对应的向量即为相关向量;
步骤八,根据已建立好的温度补偿模型,对训练集中的目标集T进行估计,然后将计算结果按照变量标准化模型进行反向操作,得到估计的光纤陀螺温度误差,最后从陀螺输出原始数据中剔除该部分误差,从而完成温度误差补偿。
具体实施例过程如下:
步骤一:
通过光纤陀螺温度测试平台,获取光纤陀螺输出的原始数据和温度训练样本。在光纤陀螺温度测试平台下,光纤陀螺将采集陀螺信号和温度传感模块输出信号通过串口实时向外发送,通过数据采集软件记录光纤电流陀螺的电流和温度样本数据,在高低温箱中拟变温环境,高温点、低温点和变温速率大小可根据实际应用环境设定。
步骤二:
对获取的陀螺和温度数据训练样本进行预处理,包括:对光纤陀螺和测温模块的直接输出训练样本进行标定参数装订,得到具有标准量纲的数据,标定后的陀螺和温度输出单位分别为°/h和℃;排除陀螺训练样本中包含噪声的影响,在陀螺训练样本上进行平滑处理(100s平滑),使样本更好的反映漂移特性。在标定参数装订过程中,测温模块的标定参数是在变温测试箱中固定温度点下进行拟合确定的,保证测温模块测量温度的准确定。
步骤三:
步骤四:
初始化超参数α和噪声方差σ2,利用核函数将标准化数据映射到特征空间。具体如下:
设输入样本为n维向量,某区域m个样本及其值表示为(x1,y1),...,(xm,ym)∈Rn×Rm,则回归函数可表示为:
式中,x=[x1,x2,...,xm]为输出入样本,ω=[ω1,ω2,...,ωm]T为模型权值,ω0为阈值,Kkemel(xi,x)为核函数,与SVM不同的是,RVM方法对基函数无此限制,所以选用以每个训练样本为中心的高斯函数作为核函数。
步骤五:
计算后验分布的均值向量μ和方差Σ,具体如下:
在贝叶斯框架下用最大似然方法来训练模型权值ω,这样可以回避过学习问题,提高模型的泛化能力;因此RVM为每个权值定义了先验概率分布
式中,αj和ωj分别表示α和ω的第j个元素,αj是决定模型权值ωj先验分布的超参数;
式中,T=[T1,T2,...,Tn]T,φ为n×m阶矩阵,φij=Kkemel(xi,xj),i=1,2,...,n,j=1,2,...,m,K为超参数的个数;
在先验分布和似然分布的基础上,权值的后验分布可由Bayesian推理求得,得到其后验分布为
其中后验分布的均值和方差分别为
式中,A=diag(α1,α2,...,αk)。
步骤六:
更新计算超参数α和噪声方差σ2,剔除α中无穷大的元素,对应ωi为0,ωi为模型权值ω的第i个元素,得到非零ωi对应的向量即为相关向量,具体如下:
引入狄拉克函数来做近似运算,RVM的学习问题就可以转化为超参数后验分布(T|α,σ2)关于α和σ2的最大值问题,在一致超先验分布的情况下,只需最大化(T|α,σ2),可以表示为
式中,I为单位矩阵;
在贝叶斯模型中(T|α,σ2)被称为边缘似然函数,通过最大化边缘函数来估计α和σ2的方法称为第Π类型最大似然参数估计法;
根据MacKay方法整理,可得
式中,μi是均值向量μ的第i个元素,MacKay方法中定义γi=1-αiNii,其中Nii为方差∑的对角线上的第i个元素;
相关向量机的学习过程就是不断迭代更新和(σ2)new,并随之更新统计量的μ和Σ,直到满足设定的收敛条件;在实际计算过程中,许多权值的后验分布趋于零,在相关向量机的回归模型中,非零的权值代表数据中的原型样本,这些称为“相关向量”。
步骤七:
通过训练样本的学习,RVM模型可以从中学习出超参数α、噪声方差σ2和均值向量μ;模型权值ω的估计值由后验分布的均值给出,同时它也是ω的最大后验(MAP)估计;权值的MAP估计取决于超参数α和噪声方差σ2,它们的最优值αMP和可以通过最大化边缘似然分布得到;当对于一组新的输入x*,其相应输出T*的后验分布概率可以通过如下关系式
得到,可对上式化简
式中,F=[φ1(x*),φ2(x*),...,φk(x*)]T,φi(x*)=Kkemel(x,x*),i=1,2,...,K,测试样本x*对应预测值T*的均值即为y*(x*,μ),可以通过其来预测T*的真值。
步骤八:
根据已建立好的温度补偿模型,对训练集中的目标值T进行估计,然后将计算结果按照变量标准化模型进行反向操作,得到估计的光纤陀螺温度误差,最后从陀螺输出原始数据中剔除该部分误差,从而完成温度误差补偿。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (7)
1.一种基于RVM的光纤陀螺温度补偿方法,其特征在于,包括以下步骤:
步骤一,通过光纤陀螺温度测试平台,获取光纤陀螺输出的原始数据和温度训练样本;
步骤二,对获取的陀螺和温度数据训练样本进行预处理,包括:对光纤陀螺和测温模块的直接输出训练样本进行标定参数装订,得到具有标准量纲的数据,排除陀螺训练样本中包含噪声的影响,在陀螺训练样本上进行平滑处理,使样本更好的反映漂移特性;
步骤四,初始化超参数α和噪声方差σ2,利用核函数将标准化数据映射到特征空间;
步骤五,计算后验分布的均值向量μ和方差Σ;
步骤六,更新计算超参数α和噪声方差σ2,剔除α中无穷大的元素,对应ωi为0,ωi为模型权值ω的第i个元素,得到非零ωi对应的向量即为相关向量;
步骤八,根据已建立好的温度补偿模型,对训练集中的目标集T进行估计,然后将计算结果按照变量标准化模型进行反向操作,得到估计的光纤陀螺温度误差,最后从陀螺输出原始数据中剔除该部分误差,从而完成温度误差补偿。
2.根据权利要求1所述的一种基于RVM的光纤陀螺温度补偿方法,其特征在于,所述的步骤一中:在光纤陀螺温度测试平台下,光纤陀螺将采集陀螺信号和温度传感模块输出信号通过串口实时向外发送,通过数据采集软件记录光纤电流陀螺的电流和温度样本数据,在高低温箱中拟变温环境,高温点、低温点和变温速率大小可根据实际应用环境设定。
3.根据权利要求1所述的一种基于RVM的光纤陀螺温度补偿方法,其特征在于,所述的步骤二中:在标定参数装订过程中,测温模块的标定参数是在变温测试箱中固定温度点下进行拟合确定的,保证测温模块测量温度的准确定。
5.根据权利要求1所述的一种基于RVM的光纤陀螺温度补偿方法,其特征在于,所述的步骤五中:在贝叶斯框架下用最大似然方法来训练模型权值ω,这样能够过学习问题,提高模型的泛化能力;因此RVM为每个权值定义了先验概率分布:
式中,αj和ωj分别表示α和ω的第j个元素,αj是决定模型权值ωj先验分布的超参数;
式中,目标集T=[T1,T2,...,Tn]T,φ为n×m阶矩阵,φij=Kkemel(xi,xj),i=1,2,...,n,j=1,2,...,m,xi为第i个输入样本;
在先验分布和似然分布的基础上,权值的后验分布可由Bayesian推理求得,得到其后验分布为:
其中后验分布的均值和方差分别为:
式中,A=diag(α1,α2,...,αk);K为超参数的个数。
6.根据权利要求1所述的一种基于RVM的光纤陀螺温度补偿方法,其特征在于,所述的步骤六中:引入狄拉克函数来做近似运算,RVM的学习问题就转化为超参数后验分布(T|α,σ2)关于α和σ2的最大值问题,在一致超先验分布的情况下,只需最大化(T|α,σ2),表示为:
式中,I为单位矩阵;
在贝叶斯模型中(T|α,σ2)被称为边缘似然函数,通过最大化边缘函数来估计α和σ2的方法称为第Π类型最大似然参数估计法;
根据MacKay方法整理,可得:
式中,μi是均值向量μ的第i个元素,MacKay方法中定义γi=1-αiNii,其中Nii为方差∑的对角线上的第i个元素;
7.根据权利要求1所述的一种基于RVM的光纤陀螺温度补偿方法,其特征在于,所述的步骤七中,通过训练样本的学习,RVM模型从中学习出超参数α、噪声方差σ2和均值向量μ;模型权值ω的估计值由后验分布的均值给出,同时它也是ω的最大后验MAP估计;权值的MAP估计取决于超参数α和噪声方差σ2,它们的最优值αMP和通过最大化边缘似然分布得到;当对于一组新的输入x*,其相应输出T*的后验分布概率通过如下关系式:
得到,可对上式化简:
式中,F=[φ1(x*),φ2(x*),...,φk(x*)]T,φi(x*)=Kkemel(x,x*),i=1,2,...,K,测试样本x*对应预测值T*的均值即为y*(x*,μ),通过其来预测T*的真值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545266.9A CN114964313A (zh) | 2022-05-19 | 2022-05-19 | 一种基于rvm的光纤陀螺温度补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545266.9A CN114964313A (zh) | 2022-05-19 | 2022-05-19 | 一种基于rvm的光纤陀螺温度补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114964313A true CN114964313A (zh) | 2022-08-30 |
Family
ID=82985475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210545266.9A Pending CN114964313A (zh) | 2022-05-19 | 2022-05-19 | 一种基于rvm的光纤陀螺温度补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114964313A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115628758A (zh) * | 2022-12-21 | 2023-01-20 | 四川图林科技有限责任公司 | 多物理场耦合条件下关键工艺参数的检测与修正方法 |
CN116992296A (zh) * | 2023-09-27 | 2023-11-03 | 广东电网有限责任公司珠海供电局 | 电子敏感设备发生暂降的中断概率评估方法、装置和设备 |
-
2022
- 2022-05-19 CN CN202210545266.9A patent/CN114964313A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115628758A (zh) * | 2022-12-21 | 2023-01-20 | 四川图林科技有限责任公司 | 多物理场耦合条件下关键工艺参数的检测与修正方法 |
CN116992296A (zh) * | 2023-09-27 | 2023-11-03 | 广东电网有限责任公司珠海供电局 | 电子敏感设备发生暂降的中断概率评估方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
CN110674323B (zh) | 基于虚拟标签回归的无监督跨模态哈希检索方法及系统 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN111983927A (zh) | 一种新型的最大协熵椭球集员滤波方法 | |
CN116992779B (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
US20230140696A1 (en) | Method and system for optimizing parameter intervals of manufacturing processes based on prediction intervals | |
Wang et al. | Time-weighted kernel-sparse-representation-based real-time nonlinear multimode process monitoring | |
CN114512191A (zh) | 一种基于迁移成分分析的青霉素浓度预测方法 | |
CN111553954B (zh) | 一种基于直接法单目slam的在线光度标定方法 | |
CN111985158A (zh) | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 | |
Zhang et al. | Calibrated stochastic gradient descent for convolutional neural networks | |
Liu et al. | LGC-Net: A Lightweight Gyroscope Calibration Network for Efficient Attitude Estimation | |
Che | Multi-sensor data fusion method based on ARIMA-LightGBM for AGV positioning | |
CN114791334A (zh) | 一种压力传感器的标定简化方法 | |
CN112685954B (zh) | 一种汽车环境风洞风速和风机转速的预测方法及装置 | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 | |
Chen et al. | An application of improved RANSAC algorithm in visual positioning | |
CN108106634A (zh) | 一种直接观星的星敏感器内参数标定方法 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN111914402B (zh) | 一种基于信号特性和拓扑变化先验的动态拓扑估计系统及方法 | |
CN116993832B (zh) | 一种基于cnn的飞行目标的位置预测方法及装置 | |
CN117077509B (zh) | 一种北方苍鹰算法优化kelm神经网络电主轴热误差建模方法 |
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 |