数字闭环光纤陀螺温度误差分析

分析了数字闭环光纤陀螺温度误差的来源,指出温度误差主要包括温度噪声、标度因数漂移、偏置漂移.提出一种基于离散小波变换的分离陀螺温度噪声和温度漂移的方法,利用该方法对测试数据进行了分析,证实了在零偏稳定性大于0.3(°)/h的光纤陀螺中,温度漂移是主要温度误差.将简化的光纤陀螺等效相位模型与温度敏感参数模型结合得到光纤陀螺温度漂移误差分布模型,利用该模型分析了影响温度漂移误差的各因素,并对主要因素进行了测试和分析.最后总结了抑制温度漂移误差的几点措施.     

基于粒子群-BP神经网络的陀螺温漂建模

针对哥氏振动陀螺的温漂问题,本文采用基于粒子群的BP神经网络算法对压电振动陀螺的温度漂移现象进行建模,并在算法中加入高斯噪声干扰;相对于传统的单BP神经网络算法,含有噪声的粒子群—BP神经网络算法,在精度和收敛速度两个方面有了较大提高,所构建的温漂模型具有更好的非线性描述能力,从而能为哥氏振动陀螺提供了更高精度的零电位误差补偿.     

光纤陀螺温度漂移建模与预测

温度漂移是光纤陀螺的主要误差之一,它可分为两部分:与系统相关的误差源及环境的随机扰动产生的随机误差项;由温度变化引起的趋势项。提出了一种光纤陀螺温度漂移的改进AR模型和建模方法,先建立随机误差项的AR模型,再在AR模型中引入趋势项。使用实测的光纤陀螺温度漂移数据建模,并验证模型有效性。结果表明,该模型能准确预测不同温度变化情况下陀螺漂移输出,并能用预测值有效补偿漂移误差,补偿后温度漂移减小到补偿前的20%以下。基于Labview开发了可视化软件,该软件在陀螺温度特性的评价与预测方面具有实用价值。     

改进支持向量机的光纤陀螺温度漂移补偿方法

温度漂移是影响光纤陀螺精度的主要因素之一,温度漂移建模和补偿是消除和减小温度漂移的有效方法。首先分析了影响光纤陀螺温度漂移的关键因素,同时进行了光纤陀螺温度漂移测试实验。然后采用泛化能力较神经网络更好的支持向量机对光纤陀螺温度漂移进行回归、建模,其中支持向量机的核函数采用了具有更好数据集适应性的径向基核函数。为了提高支持向量机的建模精度,引入人工鱼群算法对支持向量机的核心参数C（惩罚系数）和核函数的参数进行寻优。最后,使用实际的光纤陀螺温度漂移数据对提出的补偿方法进行实验验证,结果表明采用该方法补偿后的剩余光纤陀螺误差较采用线性回归方法减小了四五个数量级。     

基于RBF神经网络的光纤陀螺启动补偿及应用

光纤陀螺对温度比较敏感,由于温度引起的零偏漂移是光纤陀螺工作尤其是启动过程中的一种较大误差。文中为了减小光纤陀螺启动过程的零偏漂移、缩短启动时间,提出了对光纤陀螺启动过程进行补偿的方案。该方案以光纤陀螺温度和温度变化率为输入、光纤陀螺漂移为输出建立二输入单输出的RBF神经网络,用于陀螺启动过程补偿。在室温下对某型号光纤陀螺启动漂移进行了补偿,试验结果表明该方法能有效减小陀螺的启动温度漂移,缩短陀螺启动时间。将该方案运用到某型号的光纤陀螺寻北仪上,常温试验表明,该方案大大缩短了寻北仪的准备时间,提高了寻北精度。     

基于多模型集成算法的光纤陀螺温度补偿及实现

为降低光纤陀螺因温度效应产生的零偏漂移,以基于最小二乘法的多项式补偿模型和经遗传算法优化后的BP神经网络模型(GA-BP)为基学习器,通过集成学习算法建立了光纤陀螺的温度补偿模型,并对补偿后的光纤陀螺进行在线温度补偿实验。实验结果表明,该模型在-40～+60℃温变环境下将光纤陀螺的全过程零偏漂移降低了85%以上,且补偿后的启动段零偏输出均值更接近零位。     

光纤陀螺随机漂移的补偿方法研究

在研究高精度光纤陀螺时,尤其是在捷联惯性导航系统中,随机误差是光纤陀螺误差中不可忽视的部分,对光纤陀螺随机误差的补偿就显得非常必要.这里基于对光纤陀螺随机漂移建模的方法,首先采用ARIMA方法时光纤陀螺仪随机漂移进行建模;然后采用强跟踪卡尔曼滤波器进行滤波补偿,并利用实测数据进行了实验验证.实验结果证明,这种方法能够较好地补偿光纤陀螺的随机漂移.     

基于BAS-BP-Bagging模型的光纤陀螺温度补偿

为提高光纤陀螺的输出精度,以天牛须搜索算法(BAS)优化后的BP神经网络模型为基学习器,采用Bagging并行集成学习算法建立了BAS-BP-Bagging温度补偿模型,并对某型号光纤陀螺进行了温度补偿实验。实验结果表明,在-40～+60℃温度变化环境下,该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近80%,相较于多项式补偿算法减小了55%,相较于BP神经网络补偿算法减小了30%左右。同时该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。     

光纤陀螺温度漂移自适应网络模糊推理补偿

温度漂移是影响光纤陀螺精度的重要因素之一。在对光纤陀螺温度漂移特性进行实验分析的基础上,对零偏温度漂移进行了多项式拟合补偿。为了解决传统曲面拟合方法无法精确描述标度因数温度漂移与温度、转速之间的关系导致其补偿精度低的问题,提出了一种基于自适应网络模糊推理的光纤陀螺温度漂移补偿新方法。该方法基于模糊逻辑,结合最小二乘和误差反向传播混合算法,设计了自适应网络模糊推理系统,从而有效提高了光纤陀螺温度漂移补偿精度。实验结果表明,在-30～60 ℃温度范围和-165～165 （）/s 载体角速率范围,应用新方法对光纤陀螺温度漂移进行补偿,得到的训练误差均方根不超过0.003 （）/s,预测误差均方根不超过0.005 （）/s。     

基于小波神经网络的光纤陀螺系统级温度补偿

捷联惯组中光纤陀螺的输出精度受温度的影响较大,在实际应用中必须对其进行温度漂移补偿。对于光纤陀螺的零偏随温度变化呈较强的非线性特性,传统的多元线性回归法难以满足补偿精度要求,因而将小波神经网络用于建立光纤陀螺的温度补偿模型。通过对某型号捷联惯组中光纤陀螺的静漂数据进行仿真,实验结果表明,基于小波神经网络模型比多元线性回归模型的补偿效果更明显,有效提高了陀螺的精度。     

光纤陀螺漂移误差动态Allan方差分析

提出采用动态Allan方差(DAVar,Dynamic Allan variance)方法对光纤陀螺实测数据进行分析,系统地分析了引起光纤陀螺漂移误差的随机噪声种类及其来源和特性,DAVar分析方法的优势在于不仅能确定各种随机漂移的系数,而且可以跟踪和描述信号随时间变化的稳定性.实验证明,DAVar分析是对光纤陀螺随机漂移进行研究的有效方法.     

基于小波理论抑制光纤陀螺零漂的研究

介绍了光纤陀螺技术的发展及应用,阐述了小波分析的理论及小波变换快速算法,并给出了光纤陀螺漂移的数学模型及零偏零漂的定义,阐明了小波分析在光纤陀螺信号处理中的具体应用方法,对于实测的光纤陀螺信号进行了多尺度小波分解和多分辨力分析,证明了该方法在抑制光纤陀螺输出信号零漂的有效性。为消除陀螺漂移提供了一个新的途径。     

基于小波变换的中红外多波长辐射测温的信号处理

介绍了用小波变换实现中红外多波长辐射测温信号的处理方法，该方法基于信号和白噪声在小波变换下具有不同的传播特性，采用软阈值方法有效地去除信号中的噪声，方便地用软件实现辐射测温信号的处理。为将小波变换引入辐射测温领域进行了探讨。     

基于组合模型的激光陀螺漂移建模研究

激光陀螺随机漂移数据易受环境的影响,特别是温度因数,其输出表现为时间与温度的非线性关系.传统的对数据建模方法包括时间序列和神经网络方法,但单纯利用这两种方法对诸如随机漂移这种波动性较大的数据建模精度不够高.运用灰色理论对原始信号进行预处理,得到规律性较强的累加数据;再利用时序和神经网络法进行建模,提出了两种组合建模方法:灰色时序(GARMA)建模法和灰色神经网络(GRBFN)建模法,并将其运用到漂移数据的处理中.仿真结果表明,提出的组合模型拟合精度高于任何一种单独建模效果.     

基于编码—解码模型的D类功率放大器行为建模

D类功率放大器具有优异的传输效率,属于开关类功放,其输出信号存在较大的非线性失真。对D类功率放大器进行行为建模时要同时考虑其非线性和记忆特性。文中将小波变换引入到编码—解码神经网络模型中,提出了小波编码—解码神经网络模型。使用基于门限循环单元的编码—解码模型和小波编码—解码模型进行D类功率放大器的行为建模。实验结果表明,文中提出的D类功率放大器行为模型相比于传统的Voterra-Laguerre模型而言,在信号的时域和频域都具有更高的精度。     

激光陀螺信号的小波滤波方法研究

随机噪声是影响激光陀螺精度的一个重要因素,其中随机噪声包括分形噪声和白噪声,采用传统的方法很难去除分形噪声.对于激光陀螺中的随机噪声,利用分形噪声在小波变换域的特殊性质采用小波变换域参数估计方法获得噪声参数;然后采用小波阈值滤波方法去除噪声.对某型号的激光陀螺的滤波结果表明了该方法的有效性.     

Wavelet Neural Network Approach for Testing of Switched-Current Circuits

Combining the time and frequency location and multiple-scale analysis of wavelet transform with the nonlinear mapping and generalizing of neural network, an efficient defect-oriented parametric test method using Wavelet Neural Network (WNN) for switched-current integrated circuits is proposed. Contraposing to the fully compatible digital CMOS technology and current scaling calculation of SI circuits, parameter cohort of switched current elements is used to compute the sensitivity and gain tolerance and is applied for selecting the test models. The selecting of the appropriate wavelet function based on particular switched current fault signal is discussed, and the number of network input and output nodes are determined by the circuit status and dimension of eigenvector which is the energy of wavelet decomposition coefficient. To simplify configuration of the neural network, the sampled data was preprocessed by wavelet transform. Illustrative examples show that the proposed wavelet neural network method for testing of switched current circuits is effective.