基于神经网络的捷联惯导系统温度补偿

基于神经网络的捷联惯导系统温度补偿算法,以观测温度为输入变量,以数字滤波器输出信号为输出.采用BP算法训练网络.其对输出信号进行数字滤波,消除系统随机误差和采样电路噪声的影响.再与初始零位比较,得到只与温度变化有关的信号,以此作为网络学习的目标信号,得到陀螺随温度变化信号的估计值.实验结果表明,该算法不仅能获得较高的精度,还能提高系统实时性.     

动力调谐陀螺仪误差及其补偿算法的研究

动力调谐陀螺仪是捷联惯性系统的核心组件,其精度在很大程度上影响了整个惯导系统的精度.文中推导了动调陀螺仪的静态及动态漂移模型,并在此基础上分析了其误差补偿的算法,对提高惯导系统的使用精度具有工程应用价值.     

基于BP的地空导弹人-机-环系统作战效能评估

针对现代空袭兵器的特点,建立地空导弹人机环系统的作战效能评估指标体系,并采用BP神经网络方法对其作战效能进行分析评估.该神经网络输入层节点分别对应评估指标体系最底层的指标,隐层节点数在训练过程中可视网络的泛化能力调整,输出节点数则分别对应于效能评估等级.神经元输入与输出之间转移函数选取S型函数.评估步骤包括:训练样本的选取、样本的归一化处理、神经网络的训练、示例分析.     

基于RBF神经网络的互联网时延预测仿真

RBF神经网络采用正交最小平方算法(OLS)决定隐层单元数目、基函数的中心和权值.该算法以每个输入样本为聚类中心,随着正交运算次数的增加,网络的输出误差平方将逐步减小到设定误差范围内,得到隐含层节点数和网络的权值.仿真表明RBF神经网络是有效的.     

石英振梁加速度计的小波神经网络温度补偿研究

捷联惯导系统中使用的石英振梁加速度计随温度输出漂移比较显著,通过理论分析和试验研究了其静态定点温度特性,提出了在处理受温度影响的加速度计数据时建立基于梯度下降学习算法的小波神经网络模型,并对其进行补偿。通过惯导系统初始对准实验结果表明,该方法与传统的最小二乘法相比,小波神经网络的非线性逼近能力更强,曲线拟合精度更高,能有效补偿加速度计的温度漂移,降低惯导系统初始对准后的姿态解算误差。     

有序神经网络及预测控制

基于传统单隐层BP神经网络，将有序神经网络引入到预测控制，按照先隐层后输出层的顺序，对神经元依次进行编号；编号后增加前向连接，任一节点都向序号靠后的节点有输出连接；同时增加从输入层跨越隐层直接到输出层的连接，使网络不仅有层间的前向连接，而且有层内连接和跨层连接。增加连接后，神经网络转化为一个有大量有规律前向连接的神经元群，促使网络整体化，改善网络对连续输出映射的模仿能力。仿真结果表明，该有序神经网络预测控制方法可获得理想的控制效果。     

基于改进RBF神经网络的激光陀螺温度补偿方法

针对温度及温度变化对激光陀螺仪温度漂移的影响,在RBF神经网络的基础上,文中提出了基于Kohonen神经网络和正交最小二乘(OLS)算法的RBF神经网络温度补偿方法。该方法可以快速、准确辨识激光陀螺的温度漂移。文中分别采用改进RBF神经网络法、传统RBF神经网络法及多元线性回归法,分别进行辨识与补偿试验。结果表明,经过改进RBF神经网络模型补偿后的陀螺零偏能够满足陀螺恒温测试精度要求,而且避免了陀螺输出受温度及温变速率的影响。     

动力调谐陀螺仪的八位置测试法

通过八位置测试法对动力调谐陀螺仪误差模型进行标定测试，先通过标定测试获得动力调谐陀螺仪的力矩标定因数，对动力调谐陀螺仪误差模型分析，再根据得到的8个位置的力矩反馈电压求出动力调谐陀螺仪的十个静态误差系数，最后计算漂移系数，然后对标定验证数据采集分析。     

模糊神经网络在动调陀螺随机误差建模中的应用

为了提高使用精度，减少动力调谐陀螺仪（DTG）随机漂移的建模误差，首先基于连接机制构造一个模糊神经网络；然后，在此网络结构的基础上，提出了一种基于遗传算法的参数优化策略；最后用预处理后的实测DTG漂移数据建立模型并利用另一组DTG漂移数据对模型的有效性进行了验证。实验结果表明：用这种方法建立的模型能更好地描述动调陀螺仪的漂移特性，并加快了网络结构收敛过程的速度，同时，其补偿效果也有了很大的提高。     

HGA-RBF网络在动力调谐陀螺仪漂移预测中的应用

由于经典RBF神经网络预测DTG漂移存在参数优化困难和预测精度不理想的问题，将具有可同时优化神经网络参数和隐节点数的递阶遗传算法引入到了对RBF神经网络核函数各项参数的优化中，旨在提高RBF神经网络的建模能力，从而提高DTG漂移的预测精度．首先归一化DTG漂移数据，建立HGA—RBF网络预测模型，然后应用DTG实测漂移数据给出预测模型应用结果，最后利用DTG随机漂移率对预测模型的有效性进行验证．实验结果表明，用这种方法建立的模型能较好地描述动调陀螺仪的漂移特性，其补偿后的漂移量较原始漂移量减小4．5倍．     

基于径向基函数神经网络辅助容积卡尔曼滤波的多自主水下航行器协同定位方法

在多自主水下航行器(AUV)协同定位系统中,针对协同定位性能受到系统内部和外部等多种因素制约的问题,提出一种基于径向基函数(RBF)神经网络辅助容积卡尔曼滤波(CKF)的多AUV协同定位方法。当基准参考位置可用时,通过非线性CKF得到滤波新息、预测误差和滤波增益作为RBF神经网络输入层的输入,滤波误差值作为输出对RBF神经网络进行训练;当基准信号中断时,利用训练好的RBF神经网络,对CKF的滤波状态估计值进行补偿,进而得到新的估计状态。利用湖试数据,模拟多AUV协同定位系统输入存在误差情况下的协同定位实验。实验结果表明,所提方法与无RBF辅助的CKF方法相比,平均定位误差减小70%,具有更好的准确性和稳定性。     

基于惯性系下陀螺误差在线估计修正的惯性与星光组合导航方法

传统惯性与星光组合通常需要将惯性系下的星光姿态信息转换到导航坐标系进而与惯性导航系统进行姿态组合,由于姿态信息转换过程中通常需要引入地理位置信息实现转换,从而不可避免地引入转换误差,无法充分发挥高精度星光姿态信息对惯性导航误差的修正作用。考虑到陀螺原始输出信息和星光姿态信息均能直接在惯性参考坐标系下测量获得,设计了一种基于惯性系下陀螺误差在线估计修正的惯性与星光组合导航方案。通过建立基于惯性系下陀螺误差估计修正的惯性与星光组合导航数学模型,直接在惯性系下对陀螺漂移误差进行在线开环跟踪估计;通过对陀螺误差实时修正,能够有效减小由于陀螺漂移所带来的惯性导航系统解算误差。仿真结果表明,该方案能够有效估计出陀螺的漂移误差,进而有效提高了惯性导航系统精度。     

基于神经网络的导弹惯性器件故障预报系统研究

在导弹武器系统当中,及时准确地故障预报对提高导弹的安全性具有极其重要的意义.针对导弹惯性器件故障预报系统的设计要求,考虑到神经网络用于故障预报的优点,在神经网络技术应用于导弹惯性器件的故障预报过程中提出了神经网络的训练算法,把神经网络、预测理论和故障诊断系统有机结合起来建立了一个故障预报系统,利用该系统选取神经网络预测模型对某导弹陀螺随机漂移进行建模和分析,实现了故障预报.实例预测结果证明,给出的神经网络预测模型和训练算法是可行的.     

采用RBF神经网络的状态监测数据趋势预测

采用RBF神经网络的状态监测数据趋势预测,通过选取状态参数、数据预处理、运用Matlab神经网络工具箱建立RBF神经网络模型.先对网络初始化,确定输入、输出和隐含层的节点数.再将网络输出结果与样本比较,根据求得误差值逐步调整隐含层神经元数量,直至误差满足实际需求为止.对网络仿真证明该法具有较高精度.     

捷联惯导系统姿态算法实现及工程应用

对适合工程应用的捷联惯导系统姿态算法进行分析,在随机干扰、陀螺漂移以及分辨率误差条件下进行了仿真,对姿态算法的精度和抗干扰性进行了考核,确定陀螺的指标和系统姿态算法,对系统进行了标定,将龙格库塔算法应用在捷联惯导系统工程样机中,完成了捷联惯导系统工程样机的建立。     

基于并行控制的交流伺服系统控制

针对一般的大口径火箭炮交流伺服系统调控方法难以达到较好性能的问题,提出一种RBF神经网络-单神经元PID自校正控制方法.针对上述算法自适应能力不强的问题,引入一种并行复合控制策略,以RBF神经网络和单神经元PID做并行控制,通过半实物仿真分别对RBF神经网络PID自校正控制器和并行复合控制器的性能进行试验验证.仿真结果表明:采用并行复合控制的火箭炮伺服系统反应速度更快、稳定性更强、精度更高,能够更好地满足火箭炮交流伺服系统的性能指标要求.     

基于非线性最小二乘法的姿态优化算法

在无陀螺捷联惯导系统中,在一种适合高自旋弹丸运动姿态测试的十二加速度计配置方案下,针对由十二加速度计的输出直接解算出角速度的方法中没考虑加速度计的安装误差问题,提出一种提高角速度解算精度的优化算法。该方法基于非线性最小二乘法从姿态角的一组初值出发开始在每一点处进行线性替代的迭代计算,搜索出满足极值点必要条件的最优角速度,从而实现对姿态角的优化解算。实验证明:该方法能有效抑制安装误差,精度高,是可行的。     

捷联惯导系统圆锥误差分析

圆锥运动是刚体运动的一种几何效应，在圆锥运动下产生的圆锥误差是捷联惯导系统的重要误差源。产生圆锥误差的运动学机理表明，该误差在捷联惯导系统中只能通过系统设计和算法补偿等方法使其尽量减小而无法完全消除。本文在分析了圆锥误差的运动学机理的基础上推导了由于安装误差、陀螺量化误差、陀螺频带选取等因素影响下圆锥误差的大小。同时介绍了描述刚体圆锥运动的Goodman Robinson理论，应用该理论推导出了圆锥误差的一种有效修正算法，并通过仿真进行了验证。仿真结果表明，采取提高硬件精度和软件补偿的方法可以有效地降低圆锥误差对系统精度的影响。     

基于Smith预估补偿与RBF神经网络的PID控制在工业平缝机脚踏板调速模块中的应用

针对工业缝纫机调速模块的伺服系统普遍存在耦合,大滞后的现象,提出了一种将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。该方法利用了Smith预估补偿能克服纯滞后和RBF能处理非线性问题、在线自学习整定PID参数的优点,在调速模块的伺服控制系统中更加有效。